GMM（高斯混合模型）的动态背景分割的实验报告以及源码，数据集。 另外用到了形态学操作与多通道的处理，提升了实验结果的性能。

iMap4：iMap4-使用线性混合模型的眼动数据（例如，注视图）的空间映射

堆叠式自动编码器和基于极限学习机的电力负荷预测混合模型

在“使用最大化-最大化算法快速逼近变分贝叶斯狄利克雷过程混合”中 Dirichlet 过程高斯混合（算法 1）的变分推理的实现， https://doi.org/10.1016/j.ijar.2017.11.001 1) 计算共轭先验的期望2）然后更新他们的超参数

em算法matlab代码GMM_IC_DP “通过动态编程分区为单变量高斯，多成分，异方差混合模型初始化EM算法” 作者：Andrzej Polanski，Michal Marczyk，Monika Pietrowska，Piotr Widlak，Joanna Polanska 补充材料：Matlab脚本和函数，用于比较第6.2节中描述为第4组的数据的分区算法EQ，H-clu-c，H-clu-a，DP-Q4。 通过启动Matlab脚本partitions_em_demo开始计算 进行了一次随机模拟实验（包括6.2节中列出的三个步骤1-3）。 计算结果通过分区图（图1）和数据直方图对估计的概率密度函数的关系图（图2）显示。 还报告了误差和可能性的值。 通过修改Matlab代码，还可以实现其他计算方案（用于模拟数据）。 文件列表：partitions_em_demo：用于对算法进行演示比较的脚本文件，用于比较EM算法的初始化方法g_mix_gen：函数，生成混合样本h_clu_a：函数，通过平均链接层次聚类划分样本h_clu_c：函数，通过完全链接层次聚类进行样本划分dyn_pr_spli

em算法matlab代码稳健的期望最大化（REM） 个体在许多实质性方面存在差异，但并不总是通过假定的数据生成模型来捕获。 为了解决这个问题，我们提出了一种基于EM算法的稳健估算程序，该算法称为REM（稳健期望最大化）。 该存储库中的文件包含用于仿真研究的MATLAB源代码，该论文在本文中找到，通过稳健估计来解决潜在变量设置中的异构种群。 有关REM和仿真研究的更多详细信息，请参见此处。 混合物模型 此文件夹包含用于运行模拟的代码，该模拟在模型错误指定下比较高斯混合模型参数的EM和REM估计。 可以从MixtureModel / GMM_sim_main.m运行模拟 可以对来自MixtureModel / GMM_estimates.m的输入p×n数据集X进行估算 因子分析 该文件夹包含用于运行模拟的代码，这些模拟比较了异构种群中因子结构的EM和REM估计。 可以从FactorAnalysis / FA_sim_main.m运行模拟 可以对来自FactorAnalysis / FA_estimates.m的输入p×n数据集X进行估算

高斯混合模型可以拟合任意数据，本程序就音频数据建立高斯混合模型，内附详细代码，以及经典pdf资料讲解。

高斯混合模型GMM与EM算法的matlab实现，用户可直接运行代码，观看结果，欢迎下载，进行进一步讨论

深度学习

说话人识别，有问题留言哦