GMM高斯混合模型学习文档资源-CSDN文库

共2个文件

pdf：2个

高斯混合模型

4星 · 超过85%的资源需积分: 9 89 浏览量 2011-11-08 15:25:20 上传评论 1 收藏 326KB RAR 举报

资源推荐

资源详情

资源评论

收起资源包目录

GMM学习文档.rar （2个子文件）

高斯混合模型(GMM)参数优化及实现.pdf 161KB

GMM：高斯混合模型.pdf 213KB

GMM：高斯混合模型

高斯混合模型（Gaussian mixture model，簡稱 GMM）是單一高斯機率密度函數的

延伸，由於 GMM 能夠平滑地近似任意形狀的密度分佈，因此近年來常被用在語音

與語者辨識，得到不錯的效果。

8 –1. 單一高斯機率密度函數的參數估測法

假設我們有一組在高維空間（維度為 d）的點 nix

1,  ，若這些點的分佈近似橢

球狀，則我們可用高斯密度函數





,



xg 來描述產生這些點的機率密度函數：

 

   



























xxxg

exp

其中



代表此密度函數的中心點，



則代表此密度函數的共變異矩陣

（Covariance Matrix），這些參數決定了此密度函數的特性，如函數形狀的中心

點、寬窄及走向等。

欲求得最佳的參數來描述所觀察到的資料點，可由最佳可能性估測法的概念來

求得。在上述高斯密度函數的假設下，當

xx 

時，其機率密度為





,;



，若

我們假設

nix

~1, 

之間為互相獨立的事件，則發生





xxxX 

,

的機率密度為

   







,;,;



xgXp

由於 X 是已經發生之事件，因此我們希望找出





值，使得





,;



Xp 能有最大

值，此種估測參數





,



的方法，即稱為最佳可能性估測法（MLE，Maximum

Likelihood Estimation）

欲求得





,;



Xp 的最大值，我們通常將之轉化為求下列

),(





的最大值：





 

     

 





















































nnd

XpJ

2ln

,;ln

,;ln),(





欲求最佳的



值，直接求 ),(





J 對



的微分即可：

 































),(







令上式等於零，我們就可以得到











欲求最佳的



值，就不是那麼容易，需經過較繁雜的運算，在此我們僅列出結

果：









































（對上式推導有興趣的同學，可以參考高等多變分析的相關教科書。）

8 –2. 高斯混合密度函數的參數估測法

如果我們的資料





xxX ,

 在 d 維空間中的分佈不是橢球狀，那麼就不適合以一

個單一的高斯密度函數來描述這些資料點的機率密度函數。此時的變通方案，就是

採用數個高斯函數的加權平均（Weighted Average）來表示。若以三個高斯函數來

表示，則可表示成：

















333222111

,;,;,; 



xgxgxgxp

此機率密度函數的參數為





321321321

,,,,,,, 



，而且

321



要滿足下

列條件：

321





以此種方式表示的機率密度函數，稱為「高斯混合密度函數」或是「高斯混合模

型」（Gaussian Mixture Model），簡稱 GMM。

為簡化討論，我們通常假設各個高斯密度函數的共變異矩陣可以表示為：

3,2,1,

100

001















 jI

jjj











此時單一的高斯密度函數可表示如下：

 



























exp2,;







在上述方程式中，我們暫時省略了下標

，以簡化方程式。若將上式對各個參數進

行微分，可以得到下列等式：

   

  





 

































,;,;















xxxgxg

 

   

  

 

  

 

  





































































dxx

eedxg

22,;

上述這兩個等式，會在我們後面推導微分公式時，反覆被用到。

當共變異矩陣可以表示成一個常數和一個單位方陣的乘積時，前述的





xp 可

以簡化成：

















333

222

111

,,,;,;



xgxgxgxp 

此





xp 的參數為





1321321

,,,,,,,,



 ，參數個數為

dddd 36111111







。

欲求得最佳的



值，我們可依循最佳可能性估測法（MLE）原則，求出下列的

最大值：



     

 

333

222

111

,;,;,;ln

ln)(





iii

xgxgxg

xpJ

























為簡化討論，我們引進另一個數學符號：







     

333

222

111

,;,;,;







xgxgxg

jjj





稱為事後機率（Post Probability），若用條件機率常用的表示方式，







可寫

成：



 

















 



 



 



 

     

333

222

111

,;,;,;

332211







xgxgxg

xppxppxpp

jxpjp

xjp

xjpx

jjj













评论收藏

内容反馈

yctv0717

2012-06-04

这不是张智星的那个文档么。
xiangcao0729

2014-05-27

看不懂，可能自己水平不行
BlueSkyDaydayday

2018-08-04

挺有意思的，看了能懂大概，配合维基百科
poxiaohai2

2012-12-13

文档内容不太容易理解！
boeington

2013-02-27

确实是学习的好助手

前往

页

rayverson

粉丝: 2
资源: 10

GMM高斯混合模型学习文档

GMM高斯混合模型中文PPT

GMM混合高斯模型

GMM高斯混合模型

GMM高斯混合模型.zip

高斯混合模型（GMM）

GMM.rar_GMM_visual c_高斯混合模型

em聚类——高斯混合模型GMM ppt

国科大 电子学院 叶齐祥老师 机器学习 课程作业，手写高斯混合模型算法，手写支持向量机算法，手写卷积神经网络算法+源代码+文档说

使用自适应高斯混合模型的说话人验证_SPEAKERRECOGNITION_人传人验证_gmm-ubm_说话人识别_声纹识别_

混合高斯模型（GMM）

混合高斯背景模型对GMM

GMM高斯混合模型聚类

GMM.zip_GMM c++_高斯混合模型

GMM.rar_GMM_GMM 背景_混合高斯模型_高斯混合模型

GMM的matlab实现集合

GMM与EM算法

matlab精度检验代码-GMM-shape-classifier:使用高斯混合模型进行监督学习的用于区分黑白图像类别的二进制分类器

GMM，HMM的语音识别，说话人识别源码

聚合神经词嵌入用于文档表示

GMM.rar_GMM_GMM 例子_混合高斯_高斯模型_高斯混合模型

GMM.zip_GMM_GMM模型_gmm matlab_高斯混合模型

GMM.zip_GMM_GMM 高斯混合_高斯模型_高斯过程混合

GMM高斯混合模型介绍

高斯混合模型GMM源代码

leetcode中国-day-day-up:记录每天的学习

GMM:C ++实现GMM（高斯混合模型）

GMM高斯混合模型C源码

最新资源

国科大电子学院叶齐祥老师机器学习课程作业，手写高斯混合模型算法，手写支持向量机算法，手写卷积神经网络算法+源代码+文档说