此代码使用 EM 来估计高斯混合分布的参数。 它能够处理缺失数据，由数据矩阵中的 NaN 表示。 包括一个示例脚本和一个关于 EM 的简短文档，特别是估计高斯混合密度。 主要功能以及示例脚本位于文件夹 EM/GMM 中。

文章目录0.前言1.E-M在解决什么问题？（一句话概括EM）2.E-M是一种模型么？3.E-step和M-step分别指的是什么？4.E-M的优化目标是什么？5.E-M收敛么，为什么？6.怎么理解隐变量，对任意模型都可以引入隐变量么？（隐变量的合理性）7.如何理解GMM中的隐变量8.怎么理解GMM和E-M之间的关系？9.GMM可以做什么事情？10.GMM和K-means之间有什么联系？参考文献源码 0.前言 看过很多博客“详解EM和GMM算法”这之类的，也看过李航《统计学基础》上的EM和GMM,这里总结一下几个问题，如果以下问题可以解决，我觉得EM算法和GMM模型就理解的相当好了。本文章不做数

基于python的高斯混合模型（GMM 聚类）的 EM 算法实现

gaussian mixture model

面板数据分析专题-GMM估计方法

背景建模算法合集，完整版源码，PBAS、GMM算法，前景提取，背景减除

【语音识别】基于高斯混合模型（GMM）的语音识别matlab源码.md

基于高斯混合模型（GMM）的说话人识别，matlab实现，包含数据集以及源码

em算法在聚类中的体现——高斯混合模型（GMM）。结合b站浙江大学老师、白板推导；MOOC北京理工大学机器学习，制作而成的ppt。公式纯手工敲击，制作不易，存在缺陷，请多包含。涉及版权问题可联系。

利用混合高斯模型对目标场景进行背景建模，分割出前景与背景。 代码输入：一组图片或一段视频 代码输出：前景与背景分割开的灰度图 环境：linux+opencv+eigen 语言：Ｃ++