2016年4月2号学习小结-优快云博客

本文探讨了指针的基本概念及其在数组操作中的应用，并深入介绍了高斯混合模型（GMMs）的原理，包括其概率密度公式、参数估计方法（EM算法）以及在隐含变量存在的场景下的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

指针的一些疑问：为什么连续输出的p和(++p)的结果指向同一个数组的元素。。
void main(){
int arr[] = { 10, 20, 30,40,50 };
int *p = arr;

*(p++) += 100;
cout<< *p<<","<< *(++p);
cout << endl;
cout <<arr[0] << "," << arr[1] << "," << arr[2] << "," << arr[3] << "," << arr[4] <<endl;
system("pause");

}
这里写图片描述

2、EM算法与GMMs的学习；

EM算法是存在隐含变量时广泛使用的一种学习方法，可用于变量的值从来没有被直接观察到的情形，只要这些变量所遵循的概率分布的一般形式已知。

2.1 Gaussian Mixture Models (GMMs) 高斯混合模型
（1）高斯混合模型的概率密度公式：
这里写图片描述

当样本x维度为单维度时：
这里写图片描述
当样本x是多维度是：

（2）GMMS的参数估计；
当样本x(1),…,x(N)符合单一高斯分布假设时，很容易计算该分布的参数的极大似然假设。以其均值参数为例：
这里写图片描述
问题涉及k个不同高斯分布，而且不知道哪个样本是哪个分布（假设）产生的。这是一个隐参数模型；
每个样本的完整描述y(i)=[ x(i), zij ]，其中x(n)是第i个样本的观测值， zij表示样本x(i)属于第j个正态分布；

（3）GMMS的参数估计-EM算法；
EM算法根据当前假设[u1…uk]，迭代地(iteratively)估计隐含变量zij
的期望值，并用隐含变量的期望值重新计算极大似然假设
 先将假设随机初始化为h=[ u1, …, uk]
 计算每个隐含变量zij的期望值E[zij]
 计算一个新的极大似然假设h’=[u’1, …, u’k]，假定每个隐含变量zij所取值是第一步得到的期望值E[zij]。
 将假设替换为h’=[u’1, …,u’k]，然后循环迭代