搜索资源列表
kmean
- k均值归类方法 可用于训练初始的混合高斯参数-k mean cluster for initialization of GMM
cluster-3.1
- speech processing for g-speech processing for gmm
cluster-3.4
- Speech Proceesing Gmm algo
GM_EM
- 不错的GM_EM代码。用于聚类分析等方面。- GM_EM- fit a Gaussian mixture model to N points located in n-dimensional space. Note: This function requires the Statistical Toolbox and, if you wish to plot (for k = 2), the function error_ellipse Elem
LDFV
- VLAD VLAD可以理解为是BOF和fisher vector的折中 BOF是把特征点做kmeans聚类，然后用离特征点最近的一个聚类中心去代替该特征点，损失较多信息； Fisher vector是对特征点用GMM建模，GMM实际上也是一种聚类，只不过它是考虑了特征点到每个聚类中心的距离，也就是用所有聚类中心的线性组合去表示该特征点，在GMM建模的过程中也有损失信息； VLAD像BOF那样，只考虑离特征点最近的聚类中心，VLAD保存了每个特征点到离它最近的聚类中心的距离；
57940
- GMM and cluster for the speech signal
ClusterDataUsingAGaussianMixtureModelExample
- Cluster Data Using A Gaussian Mixture Model Example
GMM
- 实现了EM算法对高斯混合模型进行聚类，并将聚类结果用图像展示出来，希望对混合模型的朋友有用。(The EM algorithm is implemented to cluster the Gauss mixture model, and the clustering results are displayed with images, hoping to be useful to friends of the mixed models.)
Clustering
- 1) 使用凝聚型层次聚类算法（即最小生成树算法）对所有数据点进行聚类，最后聚成3类。相异度定义方法可选择single linkage、complete linkage、average linkage或者average group linkage中任意一种。 2) 使用C-Means算法对所有数据点进行聚类。C=3。 任务2（必做）： 使用高斯混合模型（GMM）聚类算法对所有数据点进行聚类。C=3。并请给出得到的混合模型参数（包括比例??、均值??和协方差Σ）。 任务3（全做）： 1) 参考数据文
BIC确定GMM聚类簇数
- 通过贝叶斯信息准则确定高斯混合聚类方法的聚类簇数(Determining the Cluster Number of GMM Clusters by BIC)