Gaussian
关注
分享
扫一扫
文章平均质量分 53
ahuang1900
记录计算机应用的点点滴滴
展开
-
高斯分布（理论）
高斯分布又称为正态分布。1.一维的情况：若随机变量 服从一个位置参数为 、尺度参数为 的概率分布，且其 概率密度函数为 则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作 ，读作 服从 ，或 服从正态分布。原创 2014-01-22 18:45:45 · 2462 阅读 · 0 评论 -
EM（理论）
在讲EM算法之前，我们先从一个例子开始。例如，我们随机抽取了400个人的身高，如果男生为200人，我们可以单独得到一个分布，而女生为200人，也可以同样得到一个分布（假设身高服从高斯分布），如图1。图1 男生和女生各自的分布直方图（男和女没有混合）图2 男女混合后的分布直方图 假如，分开来计算分布的参数的话，可以使用最大似然估计来估计。现在我们将原创 2014-01-22 18:46:42 · 1453 阅读 · 0 评论 -
GMM(理论）
下面我们介绍一下 高斯混合模型高斯模型有单高斯模型（SGM）和混合高斯模型（GMM）两种。（1）单高斯模型：为简单起见，阈值t的选取一般靠经验值来设定。通常意义下，我们一般取t=0.7-0.75之间。二维情况如下所示：关于高斯分布的理论部分这里不详细讲了。（2）混合高斯模型： 对于(b)图所原创 2014-01-22 18:48:20 · 4147 阅读 · 0 评论 -
GMM（应用）
为了简单的说明GMM，我们假设K=2，即2个高斯分布的的混合情况，下面我们举一个关于男女身高的例子，假设男生和女生的身高服从高斯分布。 数据来源如下：（1）生成男生身高服从 u0=1.75，σ0=0.0025的10w样本（2）生成女生升高服从 u1=1.61，σ1=0.009的10w样本（3）将这20w样本随机混合在一起（4）使用GMM估计u0,u1,σ0,σ1原创 2014-01-22 18:47:19 · 2485 阅读 · 0 评论 -
Gaussian filters和2D convolution
mark原创 2014-01-16 22:18:09 · 1109 阅读 · 0 评论