基于椭球等高分布混合模型的聚类方法.pdf

基于高斯混合模型的期望最大化聚类算法.pdf

gmm的matlab代码gmm聚类 简单可视化如何将EM算法用于高斯混合模型聚类。 您将需要使用matlab来运行代码。 修改datapath变量以使用另一个数据集，并修改变量K更改群集数。 特色作品： 交互式绘图，您可以在其中选择分布以生成数据

PDF文档对应于网易公开课上吴恩达教授主讲的机器学习（网址：http://open.163.com/special/opencourse/machinelearning.html）中高斯混合模型（GMM）与EM算法相关内容，补充了Jessen不等式的证明，以及GMM的似然函数最大化的参数的公式推导

基于高斯混合模型（GMM）的说话人识别实验

软件定义网络（SDN,software defined network）作为一种新兴的网络架构，其安全问题一直是SDN领域研究的热点，如SDN控制通道安全性、伪造服务部署及外部分布式拒绝服务（DDoS,distributed denial of service）攻击等。针对SDN安全中的外部DDoS攻击问题进行研究，提出了一种基于深度学习混合模型的DDoS攻击检测方法——DCNN-DSAE。该方法在构建深度学习模型时，输入特征除了从数据平面提取的21个不同类型的字段外，同时设计了能够区分流类型的5个额外流表特征。实验结果表明，该方法具有较高的精确度，优于传统的支持向量机和深度神经网络等机器学习方法，同时，该方法还可以缩短分类检测的处理时间。将该检测模型部署于控制器中，利用检测结果产生新的安全策略，下发到OpenFlow交换机中，以实现对特定DDoS攻击的防御。

matlab的egde源代码

Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models, Second Edition

高斯混合模型EM算法，通过EM算法来进行高斯混合模型的参数估计。

arima的matlab代码使用 ARIMA-LSTM 混合模型进行相关预测 我们应用了 ARIMA-LSTM 混合模型来预测两种资产的未来价格相关系数 我的论文草稿上传到 . 我愿意对我的工作发表任何评论。 请给我发电子邮件。 我真的很感激反馈:) 论文摘要 预测未来时间段内两种资产的价格相关性在投资组合优化中很重要。 我们应用 LSTM 循环神经网络 (RNN) 来预测两只个股的股价相关系数。 RNN 能够理解时间依赖性。 LSTM 单元的使用进一步增强了其长期预测特性。 为了在模型中同时包含线性和非线性，我们也采用了 ARIMA 模型。 ARIMA 模型过滤数据中的线性趋势并将残差值传递给 LSTM 模型。 ARIMA LSTM 混合模型针对其他传统预测财务模型进行了测试，例如完整历史模型、恒定相关模型、单指数模型和多组模型。 在我们的实证研究中，ARIMA-LSTM 模型的预测能力明显优于所有其他金融模型。 我们的工作意味着值得考虑使用 ARIMA LSTM 模型来预测投资组合优化的相关系数。 1. Github 代码阅读指南 我的源代码和文件可以分为三个部分。 第 1 部分.