调研内容（算法相关--GDA，GMM)

Raecing Raecing 博客等级 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 800+累计阅读 818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12年
关注
原创 最新推荐文章于 2025-06-26 00:36:55 发布 818 阅读 AI 写同款· GEO 优化 ›
从生成模型到GDA再到GMM和EM算法 在学习生成模型之前，先学习了解下密度估计和高斯混合模型。为什么呢？因为后面的VAE\GANs模型都需要把训练样本，也就是输入的图像样本看作是一个复杂的、多维的分布。1. 知乎上关于图像频率的解释作者：耳东陈 链接：https://www.zhihu.com/question/20099543/answer/13971906 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请 阅读详情

来源：
Andrew Ng的机器学习课程Lesson5(生成学习，GDA部分)、Lesson12（K-means，GMM部分）

首先是GDA部分的笔记

这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述

然后是GMM部分笔记

这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述

收录于
GMFM quantifcated evaluation

当前文章被收录于：

GMFM quantifcated evaluation
8 篇文章 0 人学习
订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GMM模型 （一）高斯判别分析模型（Gaussian discriminant analysis，GDA） 1.GDA模型是服从高斯分布的生成模型： （1）假设每个类别的样本数据服从多元高斯分布： （2）现在假设样本值为多维连续变量，讨论二分类问题，那么分别对两个类别的样本进行高斯建模（使用同一个协方差矩阵）： 那么概率分布如下： 2.似然函数如下： 3.参数的极大似然 阅读详情

相关推荐

生成学习算法.高斯判别分析(GDA).GDA与Logistic模型

《Andrew Ng 机器学习笔记》这一系列文章文章是我再观看Andrew Ng的Stanford公开课之后自己整理的一些笔记，除了整理出课件中的主要知识点，另外还有一些自己对课件内容的理解。同时也参考了很多优秀博文，希望大家共同讨论，共同进步。

Cheese的博客 1万+

【机器学习】GMM模型的直观推导（含中间步骤）

GMM模型即高斯混合模型，根据大数定律，在日常生活中，很多概率事件都服从高斯分布，因此GMM模型可以应用在这些概率事件的分析上。GMM模型由K个独立的高斯分布混合而成。我们可以这样直观求解GMM模型

artzers的专栏 6875

总结下近期调研的机器学习算法

最近要定研究方向，而可重构组现在整体大方向是异构平台搭建和大数据硬件加速。一方面因为自己的兴趣，一方面是为就业准备，所以调研的大方向都围绕着后者展开。调研过程分了以下几步： 1. 大数据领域的经典、常用算法 2. 算法调研 1) 了解算法思想 2) 分析算法热点是否适合硬件加速 3) 国内外研究现状大数据经典、常用算法 主要调研了机器学习方面的。 ## 数据挖掘的十大

洋小洋 1747

斯坦福机器学习笔记1：GDA高斯判别分析算法的原理及matlab程序实现

用matlab实现matlab原理编程

Bazinga521的博客 2931

Screenshot_2026-11-03-16-23-09-34.jpg

Screenshot_2026-11-03-16-23-09-34.jpg

研发流程后端开发工具，提示功能开发效率

后端开发工具

高斯判别分析- GDA原理简介

GDA是生成学习方法的一个典型代表。 判别学习方法是直接对P(y | x)进行建模，也就是说生成学习方法学到的是P(y | x)这样一个条件概率；另外一种判别学习方法是直接输出hθ(x)hθ(x)h_\theta(x)，表示预测结果是关于样本x的显式函数。 生成学习方法是先对P(x | y)和P(y)进行建模，然后通过条件概率公式计算P(y | x)。 在高斯判别分析中，假设不同类别的样本分...

wuyanxue的专栏 2338

机器人具有扰动抑制功能的有限时间基于方位角的领航者-跟随者编队控制（Matlab代码实现）

内容概要：本文档标题为《Plecs全桥LLC谐振变换器仿真模型.txt》，但实际内容并未涉及该主题的具体技术细节或仿真建模过程。相反，文档实质是一份由科研服务团队发布的跨学科资源目录，集中展示了大量基于Matlab、Simulink、Python、PSCAD等平台实现的科研项目与算法开发案例，涵盖电力系统、无人机路径规划、微电网优化、状态估计、信号处理、车间调度、图像处理、通信技术、雷达追踪、智能优化算法等多个工程技术领域。每个条目以“【】”标注研究主题，并注明“Matlab代码实现”“Python代码实现”等形式，表明其为可提供技术支持与代码资源的服务项目。文档末尾频繁出现“完整资源下载：公众号——荔枝科研社”及百度网盘链接，明确体现出其作为科研辅助服务推广与引流工具的功能属性。; 适合人群：面向电气工程、自动化、控制科学与工程、计算机科学、智能制造、新能源、航空航天、通信工程及相关交叉学科的研究生、高校教师、科研人员及企业研发工程师。; 使用场景及目标：①为科研人员提供课题选题、技术路线设计与算法实现的参考范例；②辅助学生或研究人员完成课程设计、毕业论文、项目仿真与算法复现任务；③作为第三方技术服务团队的能力展示目录，便于潜在客户快速了解其在多领域提供的定制化仿真与算法开发服务范围。; 阅读建议：此文档并非传统意义上的学术论文或技术教程，而是一份高度碎片化、广告性质浓厚的资源索引清单。读者应忽略其误导性的文件名，将其视为一个综合性科研技术服务目录，重点关注自身研究方向相关的条目，并通过文末提供的公众号或网盘链接进一步获取具体代码与资料。同时，需注意甄别资源的技术质量、原创性与适用性，避免盲目依赖外部服务。

调研方向（算法相关）

来源1：A Review of Accelerometry-Based Wearable Motion Detectors for Physical Activity Monitoring KNN：Detection of posture and motion by accelerometry: A validation study in ambulatory monitoring（1

ustceduruixing的博客 556

科技中介服务机构如何打造高效、可复制的技术交易服务流程？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

高校技术转移办公室人员如何提升科研成果的市场推广与转化成功率？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

图数据可视化算法调研（持续更新）

图数据可视化算法调研 数据可视化分类 dataV 图可视化算法分类 G6展示布局算法代码 Vue框架，安装g6即可运行 <template> <div> <div id="container"></div> <el-button class="btn" v-on:click="circular()">圆形</el-button> <el-button class="btn" v-on:clic

weixin_49834963的博客 429

基于LSTM神经网络的风电功率预测研究（Matlab代码实现）

内容概要：本文档名为《Plecs全桥LLC谐振变换器仿真模型.txt》，但其实际内容并未包含与Plecs或全桥LLC谐振变换器相关的具体仿真模型，而是汇集了大量来自优快云博客平台的技术文章标题和片段，内容涉及基于MATLAB的电力系统动态分析、风储VSG系统仿真、多无人机路径规划、最优潮流计算、卡尔曼滤波状态估计、车间调度算法、无线电力传输、抽水蓄能电站调度等多个领域。这些内容主要围绕Matlab/Simulink或Python代码实现展开，覆盖电力电子、电力系统、自动化控制、优化算法、信号处理、深度学习等方向，具有较强的科研仿真属性。然而，文档整体缺乏统一主题与逻辑结构，信息呈现高度碎片化，更像是多个独立技术资源的罗列而非系统性论述。; 适合人群：适用于从事电力系统、电力电子、自动化控制、智能制造、人工智能、信号处理及相关交叉学科的研究生、高校科研人员及企业研发工程师。; 使用场景及目标：①作为科研选题与技术调研的灵感来源，快速掌握当前热门研究方向与方法论；②获取多种仿真模型的设计思路与实现框架，辅助完成课程设计、学位论文或科研项目的建模仿真任务；③结合文中提及的算法（如PSO、NSGA-II、EKF、CNN、LSTM等）与工具（如Matlab/Simulink、PSCAD等），开展系统性学习与二次开发。; 阅读建议：此文档内容杂乱无章，不具备连贯阅读价值，建议仅将其作为索引线索，从中提取感兴趣的主题后，进一步查找原始完整文献或配套代码资源进行深入研究，避免陷入无效信息泛滥的困境。

推荐算法初步调研-总结1

推荐算法分类 按照推荐主体分类： 基于内容的推荐：以内容为主题推荐与用户购买过的相似物品 基于协同过滤的推荐：根据相似用户的兴趣爱好推荐物品给用户 （协同：利用群体的行为来做决策；过滤：从可行的决策中将与用户喜欢的方案找出来） { 基于内容的协同过滤：找到物品和物品之间的相似度，只有找到了目标用户对某些物品的评分 基于用户的协同过滤：主要考虑的是用户和用户之间的相似度，只要找出相似用户喜欢的物品，并预测目标用户对对应物品的评分 基于模型的协同过滤：用已有的部分稀疏数据来预测那些空白的物品和数据之间的

u010443559的博客 450

产业园区运营负责人如何精准匹配企业与高校科研资源？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

LLC谐振变换器开环+闭环软启动仿真设计（Simulink仿真实现）

内容概要：本文系统介绍了LLC谐振变换器的开环与闭环软启动仿真设计方法，基于Simulink平台实现，涵盖半桥、全桥等多种拓扑结构的建模与仿真。重点阐述了软启动过程中的控制策略，包括变频控制、移相混合控制、恒压恒流双闭环控制等核心技术，深入分析了从开环启动平稳过渡到闭环控制的切换机制。文中提供了完整的仿真模型、设计报告、参数计算书及参考文献等配套资料，有助于读者全面掌握LLC谐振变换器的工作原理、动态响应特性及其在高频高效DC-DC变换场景中的应用，适用于电力电子系统的设计与优化研究。; 适合人群：具备电力电子与电力系统基础知识，从事电源设计、新能源变换器研发、电力电子器件应用或相关领域研究的研究生、工程师及科研人员。; 使用场景及目标：①掌握LLC谐振变换器软启动过程的控制机制与Simulink建模方法；②学习开环启动至闭环控制的平滑切换策略与实现方式；③开展高频高效DC-DC变换器的性能优化与动态响应分析；④支撑毕业设计、科研项目开发或高水平学术论文的复现与创新研究。; 阅读建议：建议结合所提供的Simulink仿真模型与参数计算文档同步操作，逐步调试关键参数，重点关注软启动过程中电压电流冲击的抑制效果，对比不同控制策略下的系统动态性能差异，深入理解谐振变换器的控制逻辑与稳定性设计要点。

GMM简介

高斯混合模型 无论是k-means、层次聚类还是DBSCAN，聚类后都是有明显的“分界线”的，但如果是两个混合在一起的数据，这些方法就不能很好地聚类了，而GMM却能很好地对这类混合数据进行分类，GMM是利用同类数据呈现高斯分布的原理对数据进行区分的。 1､步骤 第一步：初始化k个高斯分布； GMM必需的参数，n_components，指定聚类的数量 第二步：将数据软聚类成我们初始化的k个高斯；...

火鸡哥 4761

企业华为TaurusDB数据库国产替代要点全记录

国产化数据库全方位对比、从互联网企业的先进经验来看mysql的用法、及sql优化、sql异构修改、及数据同步方面都做了一些讲解

深耕互联网的码农，在AI及国产化浪潮下，希望把自己的能力输出给更多的人 1063
上一篇： 调研方向（算法相关）
下一篇： 调研内容（算法相关--MDP）
点赞 0
评论 0
书签 书签 0
Raecing
Raecing
博客等级 码龄12年 11粉丝 34原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值