GMM算法及其应用.pptVIP

/view/6999478ea0116c175f0e4842.html?from=search /Gabby/p/5344658.html /jinping_shi/article/details再联系之前的图示例子 高斯混合模型及其应用（Gaussian Mixture Model, GMM） 高斯混合模型及其应用（Gaussian Mixture Model, GMM） 主要内容 GMM算法 GMM 最大似然法 EM算法 GMM算法和K-Means、FCM 异同点 GMM算法应用 图像分割 背景建模 GMM 高斯混合模型（Gaussian Mixed Model, GMM）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况（或者是同一类分布但参数不一样，或者是不同类型的分布，比如正态分布和伯努利分布）。 目的 （1）求出每一个样本属于哪个分布 （2）求出每一个分布对应的参数 GMM 使用一个高斯模型拟合分布 GMM 使用两个高斯模型拟合分布 GMM-例子 GMM 原始形式 权重 可以看成使第k类被选中的概率。 GMM 原始形式 权重 可以看成使第k类被选中的概率。 GMM原始形式推导 引入K维的随机变量z，并且z使用1-of-K表示。 表示第k类被选中的概率，即： 需要满足以下两个条件： 关于z有： （2） 和 GMM原始公式推导 每一类数据都服从正态分布，用条件概率可以表示为 GMM原始公式推导 每一类数据都服从正态分布，用条件概率可以表示为 上式可以改写为： 从而可以求出p(x)： 例子 GMM模型的在二维空间的示意图 采用Bayes规则，数据点x属于第k个类的概率可以用后验概率表示为： GMM原始公式推导 GMM—参数最大似然估计 GMM 有三组参数需要估计： GMM—参数最大似然估计 对上式取对数，再对均值 求令导数为0，可得 两边同乘以 其中 GMM—参数最大似然估计 同理可得方差的最大似然估计为 GMM—参数最大似然估计 GMM算法 图示 GMM ＥＭ算法 　对于给出的ＧＭＭ １.初始化参数：均值μｋ，协方差矩阵∑ｋ，混合系数πｋ ２Ｅ步骤： ３.Ｍ步骤：通过下列重估共识修正参数 /view/6999478ea0116c175f0e4842.html?from=search /Gabby/p/5344658.html /jinping_shi/article/details再联系之前的图示例子