贝叶斯网络改进LSTM，实现预测，比较好的算法

这个包通过期望最大化（EM）算法拟合高斯混合模型（GMM）。它适用于任意维度的数据集。 应用了多种技术来提高数值稳定性，例如在对数域中计算概率以避免浮点数下溢，这在计算高维数据概率时经常发生。 该代码还通过利用顶点化和矩阵分解进行了仔细调整以提高效率。 这种算法被广泛使用。 详细信息可以在伟大的教科书“模式识别和机器学习”或维基页面中找到http://en.wikipedia.org/wiki/Expectation-maximization_algorithm 此功能强大且高效，但代码结构经过组织，易于阅读。 请尝试以下代码进行演示： 关闭所有; 清除; d = 2; k = 3； n = 500； [X,label] = mixGaussRnd(d,k,n); plotClass(X,label); m = 楼层（n/2）； X1 = X(:,1:m); X2 = X(:,(m

一份相当不错的讲高斯滤波的文章。从一维滤波开始到二维滤波都有详细完整介绍，还详细说明了生成模板的方法。另外，根据函数图对高斯滤波进行了分析，个人觉得该部分也非常重要，受益良多。至少，在使用函数进行滤波的时候参数的选择上有了依据。不过文章中可能有处错误，已经用红色方框和箭头标注。 ps：下面是个人发泄，不想看就不看 为了学习高斯滤波模板生成，我在网上看了很多讲高斯滤波内容的东西。很想找一份空间域下高斯滤波的讲解而不得。有的只列出函数，没讲模板生成；有的讲了函数也说明了根据函数模板的生成方法，还给出了根据模板运行的程序，但是我发现二维信号情况下，它的滤波函数和我学的概率论中的正态分布函数（高斯函数）在指数项的符号上竟然正好相反，我去，我就郁闷了（难道高斯函数用到滤波中有变化？），为了求证正确的公式，我又查找资料无数，终于确定该文给出的符号是错的。我去，你竟然根据错误的公式推出了正确的模板。I服了you！

Simple_GAN：GAN：通过简单生成对抗网络生成高斯分布的示例

双通道直接卷积在当今的实时图形中是最常用的高斯滤波方法，但是当在大内核上运行时，它会变得很耗时，因为每个像素的成本随内核大小的线性增加而增加。许多应用程序在过滤前对输入图像进行采样，以降低性能。为了解决这一问题，在过去，我们提出了几种过滤宽度独立算法，其中大部分涉及频域转换1、递归计算4或重复集成5，直到最近引入的GPU通用计算才能够方便地在传统的GPU流水线上实现。在这三种技术中，重复集成通常被认为是直观和有效的。 在这个代码示例中，我们演示了如何通过使用计算着色器进行重复集成来执行高斯过滤。该算法基于以下简单事实：在输入数据上反复应用一个框式过滤器（平均过滤器），将快速近似高斯滤波的结果，而盒滤波可以通过扫描操作进行处理，从而使每个像素的成本独立于内核大小。作为传统的双通道卷积方法，我们还采用了一个垂直和水平的传递，在每一段中，每一列或一排像素首先被取到共享内存中，然后反复使用一个方框过滤器，最后将其写入到全局内存中。 在本文的其余部分中，我们将解释算法的细节，然后使用计算着色器和组共享内存来描述实现。

matlab多元参数非线性回归模型代码多输出高斯过程 多输出回归 在多输出回归（多目标，多变量或多响应回归）中，我们旨在预测多个实值输出变量。 一种简单的方法可能是使用单个输出回归模型的组合。 但是这种方法有一些缺点和局限性[]： 训练多个单输出模型需要很长时间。 每个单个输出模型都针对一个特定目标（而不是所有目标的组合）进行了培训和优化。 在许多情况下，目标之间具有很强的相互依赖性和相关性。 单个输出模型无法捕获此关系。 为了解决此缺点和局限性，我们寻求一种多输出回归方法，该方法不仅可以考虑输入因素与相应目标之间的关系，还可以考虑目标之间的关系，从而对多输出数据集进行建模。 已经针对多输出问题开发了几种回归方法。 单击此处，对这些方法进行详尽的回顾。 例如，多目标SVM或随机森林是最受欢​​迎的两种。 在这项研究中，我正在提出和实施一种使用高斯过程（GP）模型进行多输出回归的新技术。 单变量GP 首先让我们开始介绍单变量GP。 单变量GP在函数上定义了高斯分布，可用于非线性回归，分类，排名，偏好学习或有序回归。 与其他回归技术相比，单变量GP具有多个优点： 在受计算量大的数据集限制的

皮格里格 适用于Python的Kriging工具包。 目的 该代码支持2D和3D普通和通用克里金法。 内置了标准变异函数模型（线性，幂，球面，高斯，指数），但也可以使用自定义变异函数模型。 2D通用克里金代码当前支持区域线性，对数对数和外部漂移项，而3D通用克里金代码在所有三个空间维度上都支持区域线性漂移项。 两种通用克里金法也都支持通用的“指定”和“功能”漂移功能。 使用“指定的”漂移功能，用户可以手动指定每个数据点和所有网格点的漂移值。 借助“功能性”漂移功能，用户可以提供定义漂移的空间坐标的可调用函数。 该软件包包括一个模块，该模块包含的功能对于使用ASCII网格文件（ \*.asc ）应该有用。 有关更多详细信息和示例，请参见的文档。 安装 PyKrige需要Python 3.5以上版本以及numpy，scipy。 可以通过以下方式从PyPi安装： pip install p

用EM方法求GMM模型的极大似然估计，可以对任意维数的数据进行处理

C. E. Rasmussen & C. K. I. Williams, Gaussian Processes for Machine Learning, the MIT Press, 2006

两个高斯分布之间的 Kullback-Leibler 散度