高斯混合模型(Gaussian Mixture Model,简称GMM)是一种在概率论和统计学中广泛应用的模型,它属于生成式概率模型的一种。该模型的核心思想是通过多个高斯分布(也称为正态分布)的线性组合来对数据进行建模,以捕捉数据的复杂分布特性。高斯混合模型能够有效地处理数据中的簇状结构、噪声以及数据的非线性分布等问题,因此在...
1.GMM的应用场景: 高斯混合聚类(GMM)是一种被广泛应用的聚类算法,适用于多种不同的场景。 首先,GMM 聚类通常适用于数据集中存在多个分离或者重叠的簇的情况,例如图像分割、语音识别等领域。在这些任务中,数据集中的不同对象或者声音可以被视为不同的簇。由于这些数据集中的簇可能具有不同的形状和大小,并且可能有重...
GMM,顾名思义,就是多个高斯的混合,它于1997年由Friedman和Russel提出,1999年才有人给出了它的更新方程,2004年Zoran Zivkovic提出了改进(论文地址)。 2.基本原理 2.1 决策问题 与贝叶斯估计一样,GMM也是一种密度函数的参数估计,只不过模型较贝叶斯而言要复杂的多,应用的场景也不同。 GMM是基于像素的背景扣除,我们...
GMM(Gaussian Mixture Model, 高斯混合模型)被誉为万能分布近似器, 其拥有强悍的数据建模能力. GMM使用若干个高斯分布的加权和作为对观测数据集进行建模的基础分布, 而由中心极限定理我们知道, 大量独立同分布的随机变量的均值在做适当标准化之后会依分布收敛于高斯分布, 这使得高斯分布具有普适性的建模能力, 继而奠定...