用来做GMM高斯混合模型数据集，查看我的博客里面有详细的分析代码

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代码报告：针对GMM的EM实施 2018-8-13 课程要求 为GMM实施培训和测试算法。 程序必须用C / C ++或python或Matlab编写。 使用train.txt进行培训，并在dev.txt上检查结果。 GMM的复杂性和GMM的初始化将由您决定。 最终GMM配置固定后，您将在test.txt上执行分类，并将结果保存为与dev.txt相同的格式。 最终提交应包括： 一种。 详细报告包括： 一世。 GMM的初始化 ii。 GMM参数调整过程（可能性更改，dev.txt上的结果等） iii。 分析与讨论 b。 分类结果：带有标签的test.txt C。 可以在Windows或Linux机器（Ubuntu）下编译和/或运行的源代码或工具 GMM的初始化 K ： GM数超参数 $ \ mu_i $ ：期望值 np.random.random((K, D)) * np.mean(x, axis=0) D：昏暗 x：输入数据 $ \ Sigma_i $ ：协方差 [np.mat(np.eye(D)) for _ in range(K)] D：昏暗 $ \ pi_i

基于GMM-HMM的孤立词语音识别系统，内含训练和测试数据，是1-10的数字的音频，测试数据也是1-10，当然你可以自己改，只要改了标签即可。运行需要安装hmmlearn，scipy，numpy

Dirichlet Process Mixture Models(DPMM)的Matlab程序 Hierarchical Dirichlet Proces HDP 代码 Variational Dirichlet Process　Gaussian Mixture Model的Matlab源码

基于小波变换方式提取图像的纹理特征代码，支持主流图像格式jpg，bmp等，特征类型包括gmm纹理（点估计、似然估计）两种， 熵，均值及方差

用matlab编写的EM算法，实现混合高斯模型的求解。有注释，便于初学者进行学习。

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

EM算法逼近GMM参数针对二维数据点的python实现。 GMM即高斯混合模型，是将数据集看成是由多个高斯分布线性组合而成，即数据满足多个高斯分布。EM算法用来以迭代的方式寻找GMM中个高斯分布的参数以及权值。GMM可以用来做k分类，而混合的高斯分布个数也就是分类数K。

EM算法实现对二维混合高斯模型分类