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GMM方法的改进，在检测出目标的基础上，有效消除了大片光照对检测目标的影响。使其更有效地消除噪声的影响。

【语音识别】基于MFCC和gmm特征实现语音识别含GUI.md

基于高斯混合模型（GMM）的说话人识别实验

gmm的matlab代码BLP 该代码用于BLP随机系数估计。 本质上，它试图复制Aviv Nevo撰写的“需求的随机系数离散选择模型研究助手指南”中的结果。 当Nevo的GMM目标函数的值为14.9时，我扩展了迭代次数以达到目标函数值4.56。 考虑到Nevo的虚假数据，结果将更加精确。 Nevo复制（2000）表I： Mean Estimates: Mean SD Income Income^2 Age Child Constant -1.956236 0.367702 3.188302 0.000000 1.091190 0.000000 Price -32.164280 1.862521 15.462670 -0.629078 0.000000 10.954305 Sugar 0.139150 -0.002463 -0.193821 0.000000 0.031423 0.000000 Mushy 0.648903 0.077208 1.433925 0.000000 -1.432826 0.000000 Standard Errors: Mean SD Income Inco

语种识别，基于SDC特征和GMM-UBM模型的自动语种识别。

中文语音识别硕士论文，自称识别率达到97%，你应该看看。是繁体中文的。

Mfcc+GMM实现训练性别检测器模型；女性识别率达到90%,男性达到82%； 我已经把数据集以及模型都放在一起，打包了！

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

原文：https://blog.csdn.net/qinglingLS/article/details/102926477 不是代码！不是代码！不是代码!代码在上文