暂无评论
高斯混合模型(Gaussian mixture model,簡稱 GMM)是單一高斯機率密度函數的延伸,由於 GMM 能夠平滑地近似任意形狀的密度分佈,因此近年來常被用在語音與語者辨識,得到不錯的效果
基于密度-距离的t混合模型流式数据聚类.pdf,传统流式数据采用人工设门法分析，效率低下且依赖于专家。近几年，很多自动流式数据聚类算法纷纷被提出，然而针对数据量不多且分布稀疏的小样本类群始终没有很好的
为了实现准确可靠的瓦斯浓度预测，利用总歪指标取最大值来确定动态聚类的最佳聚类，以此减少不确定、随机因素干扰所引起的预测误差。由于高斯过程回归参数少、易实现，能输出具有较高置信度的置信区间，故利用高斯过
二维混合高斯分布的EM算法matlab实现是我自己写的比较清楚的EM算法。根据模式识别与机器学习（Pattern.Recognition.and.Machine.Learning.pdf）这本书
对两个一维高斯分布产生的无先验知识样本进行分类最终得到样本属于哪个高斯分布的概率和各分布的均值方差
本文主要是对聚类算法的研究,包括FCM与Kmeans,以及他们的改进算法
经典的高斯混合模型算法详细的描述，个人总结的！
针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题，提出了一种基于混合高斯模型的运动目标检测的改进算法。通过将混合高斯模型与改进帧差法进行融合，快速区分出背景显露区和运动目
本研究聚焦于基于Python的高斯混合模型图割算法，并通过深入分析和优化源码，提出了一种改进的算法。我们在算法中引入了对混合模型参数的新调整方法，以增强其适应性和泛化能力。通过对图割算法的技术细节进行
针对无线传感器网络室内节点定位,在分析定位误差模型的基础上,结合高斯混合模型提出了一种无需先验知识的节点定位算法。利用高斯混合模型,对含有非视距误差的距离测量信息进行训练,以获得接近真实值的距离估计值
暂无评论