混合高斯模型（GMM）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.8k累计阅读 1.9k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄10年

关注

VIP免费原创最新推荐文章于 2026-03-10 00:04:09 发布 1.8k 阅读 AI 写同款· GEO 优化 ›

高斯混合模型 Gaussian Mixture Model | GMM 本文主要简单介绍了高斯混合模型的基本概念，优缺点，应用场景，建模时的注意事项，评价指标，实现方法，python示例和模型参数等。阅读详情

1.GMM模型
单高斯模型的基本表达式为，

N (x; μ, Σ) = 1 2 π | Σ | - - - - - \sqrt e x p [- 1 2 (x - μ) T Σ - 1 (x - μ)]

$N(x;\mu,\Sigma)=\frac{1}{\sqrt{2\pi |\Sigma|}} exp{[-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu)]}$
其中，

μ $\mu$ 和

Σ $\Sigma$ 分别表示数据的期望和方差参数，

x $x$ 是d维的列向量。
为了使得高斯模型适用于模式分类，假设训练样本属于类别C，那么可求未知样本

xi $x_i$ 属于类别C的概率为，

N (x i / C) = 1 2 π | Σ c | - - - - - \sqrt e x p [- 1 2 (x i - μ c) T Σ

最低0.47元/天解锁文章

收录于

当前文章被以下社区和专栏收录：

标签

#机器学习 #混合高斯模型

详解EM算法与混合高斯模型(Gaussian mixture model, GMM) 　　最近在看晓川老（shi）师(shu)的博士论文，接触了混合高斯模型（Gaussian mixture model, GMM）和EM(Expectation Maximization)算法，不禁被论文中庞大的数学公式所吓退。本文通过查阅相关资料，在复杂巧妙的推理公式中融入了自己的理解，详细梳理了混合高斯模型和EM算法。 1 单高斯模型(Gaussian single model, GSM）... 阅读详情

相关推荐

OpenCV_基于混合高斯模型GMM的运动目标检测

OpenCV的video module中包含了几种较为常用的背景减除方法，其中混合高斯模型（Gaussian of Mixture Models, GMM）方法效果较好。常用的目标检测方法：1）帧间差分；2）背景减除；其中背景减除方法的关键在于建立一个鲁棒的背景模型（背景图像），常用的建立背景模型方法有： 1）均值法；2）中值法；3）滑动平均滤波法；4）单高斯；5）混合

2万+

混合高斯模型(GMM)实现

混合高斯模型（Mixtures of Gaussians）多值高斯分布，用到了期望最大化算法（Expectation-Maximization）来进行密度估计。说一下EM的思想：第一步猜测隐含类别变量，第二步是更新调整参数，以获得最大的似然估计。关于算法的详细思想和推导，请见本文的参考文献。以下是程序的代码： function v

风吹夏天的专栏 2183

高斯混合模型GMM

高斯混合模型理解。

qq_24946843的博客 5502

GMM混合高斯模型

GMM(Gaussian Mixture Model)混合高斯模型，是一种基于概率论、期望最大化（EM）方法的数据聚类算法。GMM属于无监督学习，可以将相似的数据点聚类成同一个群组或簇，并且可以自动确定数据的共性和个性。同时，GMM也是一个非线性分类器，能够有效处理复杂的非凸数据集。本文通过对GMM原理及其运用进行阐述，并给出使用Python语言实现GMM算法的代码实例，最后讨论其未来的发展方向。数据聚类（Clustering）是指对数据集中的数据点进行分组，使得同一组中的数据具有相似的特征。

AI天才研究院 1026

数据处理和分析之数据聚类：Gaussian Mixture Models (GMM)：混合高斯模型(GMM)原理

在图像中，像素的颜色可以视为多维空间中的点，而GMM能够捕捉这些点的复杂分布，通过假设图像中的像素颜色遵循多个高斯分布，每个分布代表图像中的一个不同的区域或对象。这会导致模型在未见过的数据上表现不佳。极大似然估计提供了一种直接的方法来最大化数据出现的概率，而EM算法则通过迭代地期望和最大化步骤，处理了数据中的隐变量问题，使得参数估计更加准确和稳定。从图中可以看出，使用2个混合成分的GMM能够很好地捕捉数据的分布，而使用4个混合成分的GMM则开始过拟合，试图在数据中不存在的模式上建立额外的高斯分布。

2401_87715305的博客 773

Unity 调用安卓内部安装apk

一、申请权限应用内安装其他应用的权限属于特殊权限，需要在特殊申请。 Uri packageURI = Uri.parse("package:" + mContext.getPackageName()); Intent intent = new Intent(Settings.ACTION_MANAGE_UNKNOWN_APP_SOURCES, packageURI); startA...

BDDNH的博客 1238

解决UNITE数据库注释高unassigned率：手把手教你训练专属真菌分类器（含预训练模型分享）

本文针对使用UNITE数据库进行真菌ITS序列注释时出现的高未分配率问题，提供了详细的实战解决方案。通过对比vsearch直接注释与Naive Bayes分类器的原理差异，文章手把手指导读者在QIIME 2环境中训练专属分类器，包括数据准备、模型训练、参数优化及效果验证，并分享了预训练模型，旨在显著提升真菌群落分析的注释准确性和数据利用率。

weixin_29214199的博客 338

EPLAN电气设计精华 -模拟量传感器画法全解

本文介绍了EPLAN中模拟量压力传感器的标准画法要点，重点解析了电流型（4-20mA）、电压型（0-10V/0-5V）和特定应用型三种传感器的核心特点、典型符号、接线方式及应用场景。文章提供了EPLAN设备标识符示例，并分享了一个实际项目案例（XJC-Y01-20-4M传感器配合XJC-608T-F变送器和GSEE.GXLK-AI4S-I模块的应用），强调绘制前查阅技术资料的重要性。内容简明实用，有助于规范电气设计中的传感器绘制。

Qinmingyue13的博客 1179

【数字IC设计】Centos 7桌面版安装Synopsys EDA Tools

简称DC，是Synopsys公司用于做电路综合的核心工具，可以将HDL描述的电路转换为基于工艺库的门级网表。

qiumingT的博客 9790

MTK Linux Charger驱动分析（二） - power_supply_core.c

的核心作用可以概括为：提供统一的电源管理框架；管理电源设备注册、属性访问、事件通知；封装sysfs 接口和 uevent 通知，屏蔽硬件细节；驱动开发者只需要实现，不关心底层通知和接口细节。简单来说，它是电源子系统的“大脑和中枢”，具体的电池/充电器只是“信息源”。

iTom1900 1488

FPGA+滨淞CCD实战：手把手教你搭建S7031/S10142成像电路（附避坑指南）

本文详细介绍了使用FPGA驱动滨淞CCD传感器（S7031/S10142）构建高精度成像系统的完整实战流程。内容涵盖核心器件选型、系统架构规划、电路板（焦面板与接口板）设计要点、FPGA Verilog逻辑实现，并提供了从电源管理、信号调理到数据采集的详细避坑指南，帮助读者从零搭建稳定可靠的成像电路。

weixin_29271263的博客 227

机械臂抓取前言

机械臂相关的笔记

weixin_64037619的博客 3908

基于STM32设计的掌上游戏机(运行NES游戏模拟器)详细开发过程

利用STM32单片机移植NES游戏模拟器，完成NES游戏开发，可以玩标准的NES游戏，已测试超级玛丽、魂斗罗之类的都可以正常运行。

4万+

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

上一篇：判别模型(Discriminative model)和生成模型(Generative model)

下一篇：形态学-腐蚀、膨胀、开操作、闭操作

OpenCV_基于混合高斯模型GMM的运动目标检测

01-15

2万+