在在文本无关说话人识别中常用的说话人识别方法有矢量量化法(vector quantization：VQ)和高斯混合模型法 (Gaussian Mixture Model；GMM)，这个论文集中搜集了很多关于GMM的paper，希望对大家有用 GMM／ANN混合说话人辨认模型.pdf MATLAB环境下的基于GMM模型的说话人识别系统.pdf 一种改进的基于正交GMM的说话人辨识方法.pdf 与文本无关的说话人辨认系统中一种新的使用基音周期方法研 噪声环境中基于GMM汉语说话人识别.pdf 基于anchor模型的说话人检索技术.pdf 基于GMM的与文本无关的变阈值说话人确认.pdf 基于GMM的实时说话人识别系统.pdf 基于GMM的说话人分类自适应算法.pdf 基于GMM的说话人识别系统.pdf 基于GMM的说话人识别系统研究.pdf 基于GMM的说话人辨认系统及其改进.pdf 基于GMM统计参数和SVM的说话人辨认研究.pdf 基于GMM统计特性参数和SVM的话者确认.pdf 基于基元段特征和GMM的源-目标说话人F0～t转换.pdf 基于快速DGMM的随机提示文本的话者确认系统.pdf 基于说话人识别的GMM／GA算法.pdf 基于高斯混合模型GMM的说话人识别方法.pdf 基于高斯混合模型的非母语说话人口音识别.pdf 应用于说话人识别的AdaBoost GMM算法.pdf 改进的GMM模型语声转换系统.pdf

混合高斯背景建模存在每个像素点都建立多个固定的高斯分布，在处理时会消耗大量的系统资源; 发生光照突变时，容易造成大面积误检;长时间静止物体转为运动时，容易产生“鬼影”现象等缺点，通过设置前后帧的学习速率以及模型的更新速率，可以克服上述缺点

线性和广义线性混合模型及其统计诊断 [费宇 编著] 2013年版

上机器学习课学到EM算法，通过查阅西瓜书等资料理解了算法的推导过程于是形成了总结，在此进行分享。针对机器学习初学者，内容主要是：EM算法以及GMMs模型算法求解步骤的推导证明

SamplingGMM:用于从高斯混合模型中采样并对其进行可视化的代码（对于中等文章）

多元高斯混合模型（HMM）的Java代码，先用K-Mean算法进行初始化，训练好之后有测试，能跑的通。(受限于能力，代码有点simple,有点young)

一种新的结合非下采样Contourlet变换(NSCT)和高斯比例混合模型的图像去噪方法。采取的主 要方法为:1)通过NSCT对图像进行分解;2)根据高斯比例混合模型建立图像模型;3)利用贝叶斯估计进行图 像去噪。实验结果表明,相对于已有算法,本文方法降噪效果好,在去噪性能指标和边缘保持的主观视觉上都 表现出优异的性能。

k均值-高斯混合模型-贝叶斯算法 的matlab 程序

Mixed models can be used for the following purposes: • To model complex clustered or longitudinal data. • To model data with multiple sources of variation. • To model biological variety and heterogeneity. • As a compromise between the frequent ist and Bayesian approaches. • As a statistical model for the penalized log-likelihood. • To provide a theoretical basis for the Healthy Akaike Information Criterion (HAIC). • To cope with parameter multidimensionality. • As a statistical model to solve ill-posed problems, including image reconstruction problems. • To model shapes and images.

高斯混合模型MATLAB代码，可修改性强，可用于GMR预测等