GMM.zip_GMM_GMM test_gmm matlab_trainGMM.m

clear all % 1단계 % X1 : 평균이 [1,1], 공분산이 [0.3 0 ;0 0.2]인 분포를 이루는 데이터 100개 생성 muvec = [1 1]; covmat = [0.3 0; 0 0.2]; X1 = generate_gauss(muvec,covmat,100); % X2 : 평균이 [5,2], 공분산이 [0.4 0 ;0 0.4]인 분포를 이루는 데이터 100개 생성 muvec = [5 2]; covmat = [0.4 0; 0 0.4]; X2 = generate_gauss(muvec,covmat,100); % X3 : 평균이 [1,5], 공분산이 [0.3 0 ;0 0.2]인 분포를 이루는 데이터 100개 생성 muvec = [1 5]; covmat = [0.3 0; 0 0.2]; X3 = generate_gauss(muvec,covmat,100); scatter(X1(1,:),X1(2,:),'b.'); hold on scatter(X2(1,:),X2(2,:),'r.'); scatter(X3(1,:),X3(2,:),'k.'); display('3개의 클래스에 대한 데이터 생성 완료. 엔터키를 누르면 다음 단계로!'); pause % 2단계 % X1 데이터에 대한 GMM학습을 위한 초기값을 생성(혼합수: 3) [mus, sigmas, weights] = initParams(2,3); % X1 데이터에 대한 학습 시작 [mus, sigmas, weights] = trainGMM(X1, mus, sigmas, weights, 0.0001, 100, 'diagcov'); % X1 데이터에 학습이 끝나면 저장 X1_mus = mus; X1_sigmas = sigmas; X1_weights = weights; % X1 데이터에 대한 GMM학습 완료 % X2 데이터에 대한 GMM학습을 위한 초기값을 생성(혼합수: 3) [mus, sigmas, weights] = initParams(2,3); % X1 데이터에 대한 학습 시작 [mus, sigmas, weights] = trainGMM(X2, mus, sigmas, weights, 0.0001, 100, 'diagcov'); % X1 데이터에 학습이 끝나면 저장 X2_mus = mus; X2_sigmas = sigmas; X2_weights = weights; % X2 데이터에 대한 GMM학습 완료 % X3 데이터에 대한 GMM학습을 위한 초기값을 생성(혼합수: 3) [mus, sigmas, weights] = initParams(2,3); % X3 데이터에 대한 학습 시작 [mus, sigmas, weights] = trainGMM(X3, mus, sigmas, weights, 0.0001, 100, 'diagcov'); % X3 데이터에 학습이 끝나면 저장 X3_mus = mus; X3_sigmas = sigmas; X3_weights = weights; % X3 데이터에 대한 GMM학습 완료 display('3개의 클래스에 대한 학습 완료. 엔터키를 누르면 다음 단계로!'); pause % 3 단계 % 추정된 가우시안 분포를 플롯 % X1 데이터에 대한 1번째 혼합수에 대한 플롯 m = X1_mus(:,1)'; s = zeros(2,2); s(1,1) = X1_sigmas(1,1); s(2,2) = X1_sigmas(2,1); plotgaus(m,s); % X1 데이터에 대한 2번째 혼합수에 대한 플롯 m = X1_mus(:,2)'; s = zeros(2,2); s(1,1) = X1_sigmas(1,2); s(2,2) = X1_sigmas(2,2); plotgaus(m,s); % X1 데이터에 대한 3번째 혼합수에 대한 플롯 m = X1_mus(:,3); m = m'; s = zeros(2,2); s(1,1) = X1_sigmas(1,3); s(2,2) = X1_sigmas(2,3); plotgaus(m,s); % X2 데이터에 대한 1번째 혼합수에 대한 플롯 m = X2_mus(:,1)'; s = zeros(2,2); s(1,1) = X2_sigmas(1,1); s(2,2) = X2_sigmas(2,1); plotgaus(m,s); % X2 데이터에 대한 2번째 혼합수에 대한 플롯 m = X2_mus(:,2)'; s = zeros(2,2); s(1,1) = X2_sigmas(1,2); s(2,2) = X2_sigmas(2,2); plotgaus(m,s); % X2 데이터에 대한 3번째 혼합수에 대한 플롯 m = X2_mus(:,3); m = m'; s = zeros(2,2); s(1,1) = X2_sigmas(1,3); s(2,2) = X2_sigmas(2,3); plotgaus(m,s); % X3 데이터에 대한 1번째 혼합수에 대한 플롯 m = X3_mus(:,1)'; s = zeros(2,2); s(1,1) = X3_sigmas(1,1); s(2,2) = X3_sigmas(2,1); plotgaus(m,s); % X3 데이터에 대한 2번째 혼합수에 대한 플롯 m = X3_mus(:,2)'; s = zeros(2,2); s(1,1) = X3_sigmas(1,2); s(2,2) = X3_sigmas(2,2); plotgaus(m,s); % X3 데이터에 대한 3번째 혼합수에 대한 플롯 m = X3_mus(:,3); m = m'; s = zeros(2,2); s(1,1) = X3_sigmas(1,3); s(2,2) = X3_sigmas(2,3); plotgaus(m,s); hold on display('3개의 클래스에 대한 가우시안 혼합 모델링 플롯 완료. 엔터키를 누르면 다음 단계로!'); pause % 4 단계 % 각 클래스별 학습 결과를 리스트에 셀을 이용 저장 mulist = {X1_mus X2_mus X3_mus}; sigmaslist = {X1_sigmas X2_sigmas X3_sigmas}; weightslist = {X1_weights X2_weights X3_weights}; display('3개의 클래스에 대한 가우시안 혼합 모델링 파라미터 저장 완료. 엔터키를 누르면 다음 단계로!'); pause % 5 단계 % 시험 데이터 1 test=[1.2; 1.3]; %이제 인식해보자 classes = classify_GMM(test,mulist, sigmaslist, weightslist); scatter(test(1,:),test(2,:),'kp'); display('시험 데이터1 에 대한 인식 결과, 다음 데이터를 인식 할려면 엔터키를 누르시요'); classes pause % 시험 데이터 2 %test=[1.2 4.1 1.2 2.5 4.2; 1.3 2.1 5.4 2.2 1.8]; test=[4.1; 2.1]; %이제 인식해보자 classes = classify_GMM(test,mulist, sigmaslist, weightslist); scatter(test(1,:),test(2,:),'kp'); display('시험 데이터1 에 대한 인식 결과, 다음 데이터를 인식 할려면 엔터키를 누르시요'); classes % 시험 데이터 3 test=[2.1; 4.1]; %이제 인식해보자 classes = classify_GMM(test,mulist, sigmaslist, weightslist); scatter(test(1,:),test(2,:),'kp'); display('시험 데이터3 에 대한 인식 결과, 끝'); classes