高斯密度函数估计是一种参数化模型。有单高斯模型(Single Gaussian Model, SGM)和高斯混合模型(Gaussian mixture model,GMM)两类。本文详细介绍了这两种模型的原理,并介绍了实现方法,最后附了源码,以供参考.源码经过详细测试，没有任何错误

rvm代码matlab 快速SBL 一种基于高斯尺度混合模型的回归问题快速稀疏贝叶斯学习算法 此代码用于题为“基于高斯尺度混合的高效稀疏贝叶斯学习算法”的论文。 数据集中的图像是从 和 获取的。 tools 中的函数 FastLaplace.m 对应于基于拉普拉斯先验的快速 SBL 算法，该算法是从原始作者处获得的。 这篇论文的标题是“使用拉普拉斯先验的贝叶斯压缩感知”。 GGAMP-SBL.m 对应于题为“基于 GAMP 的低复杂度稀疏贝叶斯学习算法”论文中的算法 1。 为了比较，需要 sparseLab 2.1 和 RVM V1.1 工具箱，可以分别从 和 获得。 此代码在 Matlab 2019b 中实现。 如有任何问题，请联系 如果您使用我们代码的任何部分，请引用我们的论文。 W. Zhou, H. -T. Zhang 和 J. Wang，“基于高斯尺度混合的高效稀疏贝叶斯学习算法”，IEEE 神经网络和学习系统汇刊，doi：10.1109/TNNLS.2020.3049056。 参考资料： @ARTICLE{zhou2021efficient, author={W. {Zho

由于人体脑血管结构复杂,空间比例小,三维分割和重构十分困难,本文面向时飞磁共振血管造影(TOF MRA)数据提出了一种新的瑞利高斯有限混合模型来实现脑血管的自动提取和分割。首先,对已有的混合模型进行了分析;然后,采用最大强度投影法(MIP)预处理脑部数据后采用高斯分布拟合血管类,采用瑞利分布和高斯分布拟合非血管类。提出的模型构造简单,参数向量较少;在血管与非血管的混合区域,模型与灰度直方图具有较好的拟合性。模型在传统期望最大化(EM)算法中加入随机扰动项构造随机期望最大化(SEM)算法来实现混合模型的参数估计,降低了算法对初值的依赖,同时提高了鲁棒性。实验证明,与已有双高斯模型相比,血管点数增加了27%,可细分到三级血管且细节的连通性更好。本模型可更准确地拟合数据的灰度分布曲线,有效地分割脑血管主分支及周围较细小分支,泛化性较好并可应用于相似系统中。

基于特征分析的访问控制混合模型设计与实现 安全架构渗透测试 业务安全 企业安全 APT

经过改进的高斯混合模型，运行效果还是可以的，适用于想深入了解混合高斯模型前景的同学，代码书写比较规范

行业分类-设备装置-基于t分布混合模型的网络多媒体业务半监督分类方法.zip

行业-电子政务-基于小波分析和有限高斯混合模型EM方法的模拟电路故障诊断方法.zip

Purdue大学一个教授写的高斯混合模型的库，附带有我封装的接口(GMM.c)，以及作者的使用手册PDF

VB-GMM 高斯混合模型的变分贝叶斯模型选择。

一种基于高斯混合模型的无监督粗糙聚类方法.pdf