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.

软阈值matlab代码格莱姆 该工具箱包含用于MATLAB的多个脚本和函数，以使用广义线性混合模型（GLMM）取消混合高光谱数据。 该代码是在Lucas Drumetz及其同事提供的ELMM代码的基础上构建的。 只要复制此处提供的版权，就可以出于非商业目的使用和重新分发此代码。 作者：Tales Imbiriba。 日期：2018年4月。 参考号： [1] Imbiriba，T.，Borsoi，RA，Bermudez，JCM（2018）。 考虑端成员变异性的广义线性混合模型。 2018年IEEE声学，语音和信号处理国际会议（ICASSP）。 内容包括： GLMM_ADMM.m：执行与GLMM的混合的功能 GLMM_RealData.m：在实际的高光谱数据集上使用该函数的示例 real_data_1.mat：使用的实际数据集（DFC 2013数据的裁剪） endmembers_houston.mat：演示中使用的参考端成员矩阵 FCLSU.m：执行标准完全约束的最小二乘分解的函数。 CLSU.m：执行标准部分约束的最小二乘分解的函数。 SCLSU.m：执行CLSU缩放版本的函数，该版本遵

介绍了EM算法原理，及其在高斯混合模型中应用，并编程用matlab实现，评估其性能

通用汽车 Pyspark 中的高斯混合模型实现 GMM 算法将整个数据集建模为高斯分布的有限混合，每个分布由均值向量、协方差矩阵和混合权重进行参数化。 这里每个点属于每个集群的概率与集群统计信息一起计算。 pyspark 中 GMM 的这种分布式实现使用期望最大化算法估计参数，并且只考虑每个分量的对角协方差矩阵。 如何跑步 有两种方法可以运行此代码。 在您的 Python 程序中使用该库。 您可以通过调用函数 GMMModel.trainGMM(data,k,n_iter,ct) 来训练 GMM 模型，其中 data is an RDD(of dense or Sparse Vector), k is the number of components/clusters, n_iter is the number of iteration

刚开始学的一种好的方法 里面的东西，是在matlab中使用的

基于语音的性别识别 基于语音的性别识别，使用： 免费的ST美国英语语料库数据集（SLR45） 梅尔频率倒谱系数（MFCC） 高斯混合模型（GMM） 数据集 可以在上找到免费的ST美国英语语料库数据集（SLR45） 。 它是提供的免费的美国英语语料库，其中包含10位说话者（5位女性和5位男性）的讲话。 每个说话者大约有350种话语。 理论 语音特征提取 此处使用梅尔频率倒谱系数（MFCC），因为它们可在说话者验证中提供最佳结果。 MFCC通常如下得出： 进行信号（窗口摘要）的傅立叶变换。 使用三角形重叠窗口，将以上获得的光谱的功率映射到mel刻度上。 记录每个梅尔频率下的功率对数。

欺诈识别 使用深度学习混合模型来检测欺诈信用卡。

高斯混合模型聚类(Gaussian Mixture Mode，GMM)是一种概率式的聚类方法，它假定所有的数据样本x由k个混合多元高斯分布组合成的混合分布生成。 使用场景:用于平坦的结合结构，对密度估计很合适