nsh119的博客

在研究语音识别中的算法之前，需要做一些基础理论的介绍，以便更好地进行后面的算法学习！~~~本文主要研究极大似然估计的理论。下面由经典的贝叶斯分类决策来引入极大似然估计：贝叶斯公式：                                            其中：p(w)：为先验概率，表示每种类别分布的概率；：类条件概率，表示在某种类别前提下，某事发生的概率；而为后验概率，表示某事发生了...

EM算法其实是最大似然估计的拓展，是为了解决最大似然估计无法解决的参数估计，最大似然估计通过简单的求导可以得到简单模型的参数，但是对于复杂的混合模型，含有隐含数据的情况下就力不从心了。例如，单高斯模型（GSM）可以通过最大似然估计进行参数估计，但是我们随后会学习混合高斯模型（GMM），是有好多个单高斯模型混合所得，就要使用EM算法进行参数估计，样本到底属于哪一个单高斯模型就是所谓的隐含数据， 现在...

GMM（高斯混合模型）是相对于单高斯模型来说的，是多个单高斯分布进行混合，理论上可以拟合出所有的分布曲线，主要应用于聚类算法。废话就不多说了，估计大家都知道高斯混合模型是个什么东西，下面直接列出单高斯模型和高斯混合模型的攻势以及示意图：单高斯模型分布高斯分布概率密度函数混合高斯模型图（两个component）混合高斯分布概率密度函数混合高斯分布主要有K个component组成，每个componen...

前几天在清理电脑时，发现以前在项目中使用SVM进行跌倒检测判别的资料，Mark一下： 对SVM的认识，想必学习机器学习的人都知道，主要作为一个二分类器使用，并且经常与逻辑斯特回归进行比较，其思想就是对正负样本划分超平面，离超平面最近的正负样本（支持向量）的间隔最大, 以达到分类的目的，下面对其做一些简要的介绍： SVM的性质： 1. 监督学习，判别模型，凸二次规划； 2. 损失函数自带L...

LSTM与RNN 提起LSTM（长短期记忆神经网络），不得不先说一下RNN，RNN作为循环神经网络，具有记忆功能，在序列建模上具有重要的贡献。根据TensorFlow官方LSTM教程（colah’s Blog）：Understanding LSTM Networks (英文)做一些总结，首先看下面几张图： 图1. 带循环的神经网络 图2. 循环神经网络展开 图3. 短依赖 ...

这三个玩意，因为要么带K，要么带Mean，所以吗，放在一起介绍一下： Meanshift 因为我本身是图像处理出身，最早接触的是Meanshift，其经常用于图像分割，目标跟踪等方面，下面首先说一下Meanshift: 算法步骤： 在未被标记的数据点中随机选择一个点作为起始中心点center； 找出以center为中心半径为radius的区域中出现的所有数据点，认为这些点同属于一个聚类C...