MATLAB用拟合出的代码绘图任务参数化的高斯混合模型 任务参数化的高斯混合模型(TPGMM)和回归算法的Python实现,其中示例和数据均为txt格式。 TPGMM是高斯混合模型算法,可在参考帧的位置和方向上进行参数化。 它根据参数(框架的位置和方向)调整回归轨迹。 笛卡尔空间中的任何对象或点都可以作为参考框架。 当前方法使用k均值聚类来初始化高斯参数,并使用迭代期望最大化(EM)算法使它们更接近于事实。 拟合TPGMM之后,将模型与新的框架参数一起应用于高斯回归,以通过时间输入来检索输出特征。 请观看TPGMM和GMR在训练/生成NAO机器人右臂轨迹方面的演示视频。 演示视频 相关论文: Alizadeh,T.,& Saduanov,B. (2017年11月)。 通过在公共环境中演示多个任务来进行机器人编程。 2017年IEEE国际会议(pp.608-613)中的《智能系统的多传感器融合和集成》(MFI)。 IEEE。 Sylvain Calinon教授从研究出版物和MATLAB实现中引用了所有数学,概念和数据: Calinon,S.(2016)任务参数化运动学习和检索智能服务机器
2024-08-07 09:27:31 35.59MB 系统开源
1
t学生混合模型 论文的实施:“使用t分布进行鲁棒混合建模”,D。Peel和GJ McLachlan。 与Python 2.7和Python 3兼容。 依存关系 scikit学习v0.18.1 的numpy v1.11.0 scipy v0.19.0 setuptools v36.0.1 安装 使用pip(无需克隆此存储库): pip install smm --user 手动: git clone https://github.com/luiscarlosgph/t-Student-Mixture-Models.git cd t-Student-Mixture-Models python setup.py build python setup.py install --user 用法 请参阅示例。 python src/smm/example.py 测验 要运行测试,
2023-03-02 10:09:24 29KB Python
1
In this paper, we consider the source localization for a mixed near-field (NF) and far-field (FF) narrowband signals impinging on a uniform linear array (ULA) with the symmetrical geometric configuration. A computationally efficient direction-of-arrivals (DOAs) and range estimation method for the mixed NF and FF signals is proposed, where the DOAs of the NF and FF signals are estimated separately, and the computationally burdensome eigendecomposition is avoided. Comparing to some existent method
2022-11-25 16:24:10 524KB Directionof-arrival (DOA); Far-field; Near-field;
1
混合自动编码器模型 这是D.Zhang的本文混合自动编码器中描述的模型的实现。 用法 python3 src/main.py --input-train tests/clusters_norm_10_train.mat --training-steps 100 --classifier-topology 64 32 16 --num-clusters 3 --autoencoder-topology 64 32 16 8 --input-dim 8 --input-predict tests/clusters_norm_10_test_1.mat --output results.mat --autoencoders-activation tanh tanh tanh tanh usage: Mixture Autoencoder model [-h] [--input-train IN
2022-10-13 16:56:00 8KB Python
1
gaussian mixture model
2022-09-19 18:01:40 3KB gaussian_mixture mixture
该包通过混合自适应提供了自适应图像去噪算法的实现。 所提出的方法 [1, 2] 采用从通用外部数据库中学习到的通用先验,并将其适应噪声图像以生成特定先验,然后将其用于 MAP 去噪。 所提出的算法是严格推导出来的从贝叶斯超先验的角度来看,并进一步简化以降低计算复杂度。 要对去噪性能进行整体评估,请运行演示文件:“demo.m”。 如需更多信息和引文,请参阅: [1] E. Luo、SH Chan 和 TQ Nguyen,“通过混合自适应进行自适应图像去噪”,IEEE Trans。 图像处理。 2016 年。 [2] SH Chan、E. Luo 和 TQ Nguyen,“基于 EM 适应的自适应补丁图像去噪”,Proc。 IEEE 全球会议信号信息处理。 (GlobalSIP'15),2015 年 12 月。
2022-07-30 22:53:52 21.08MB matlab
1
使用 EM 算法的 Gamma 混合模型估计。 此代码使用 EM 算法估计遵循 Gamma 分布的有限混合模型的分量。 作者:贡萨洛·维加斯·桑切斯-费雷罗 - - 如何使用它 - - - 语法:[w, alpha, beta] = GMMestimator(y,nl,maxIter,tol_error,flag_pinta,w_0,alpha_0,beta_0) 输入: y - 样本向量nl - 混合成分的数量。 maxIter - 最大迭代次数tol_error - 收敛假设的容差flag_pinta - 显示拟合演变的标志w_0 = 初始权重大小 (1 x nl)。 它们的总和应为 1。(可选) alpha_0 = 每个 Gamma 分量的初始 alpha 参数(大小:1 x nl)(可选) beta_0 = 每个 Gamma 分量的初始 beta 参数(大小:1 x nl)(可
2022-04-18 14:29:30 5KB matlab
1
这些脚本用于实现高斯混合基数化概率假设密度过滤器。 代码中使用的算法和跟踪场景遵循发表在 IEEE Transactions on Signal Proceesing Vol. 2 上的论文“基数化概率假设密度滤波器的分析实现”。 55 No. 7。作者是Ba-Ngu Vo和WK Ma。
2022-03-29 17:15:40 40KB matlab
1
从零开始的高斯混合模型 算法类型:聚类算法使用的数据集:从sklearn导入的虹膜数据集 最终集群的输出 要求: Jupyter笔记本或Google Colab 库: 熊猫: : numpy: ://numpy.org/install/ Matplotlib: ://matplotlib.org/stable/users/installing.html sklearn: ://scikit-learn.org/stable/install.html scipy: ://pypi.org/project/scipy/ 涉及的步骤: 对于Google Colab: 在任何浏览器上打开google colab。 在Google Colab中上传文件“ 19BCE1328_Gaussian混合物模型”。 运行笔记本中的所有单元并查看输出。 参见图以可视化最终结果。 对于Jup
2022-03-11 10:46:35 416KB JupyterNotebook
1
Variational Dirichlet Process Gaussian Mixture Model的Matlab源码
2022-02-24 22:16:40 12KB Variational Dirichlet Process Gaussian Mixture
1