有完整的代码程序，有语音，高斯混合模型的说话人识别

高斯混合模型是有效的描述数据集合分布的手段，高斯混合模型中各个单高斯模型的均值、方差和权重的估计，实际上是样本空间下的参数估计问题。参数估计的方法有很多，相比较而言，EM算法是MLE（Maximum Likelihood Estimation）原理下的针对不完备数据集合的回归分析算法，它是由E步和M步迭代循环，直至误差小于给定门限为止。因此本文采用了一种基于EM方法的高斯混合模型参数估计的方法对运动人体姿态进行建模，可以较准确的对模型进行参数估计。对典型姿态建模之后还可以解决对姿态的识别问题。

hmm模型matlab代码Mattia的ML工具 高斯混合模型，隐马尔可夫模型和相关算法的另一个Matlab实现。 为学习而构建，用于下面引用的我的HRI'18论文。 该代码使用了Tom Minka的两个库： 快速安装： 光速： 详细： 高斯混合模型（GMM）：概率，梯度和熵计算 HMM：HMM的推理和学习（MLE，仅针对多元正态发射概率的MAP） 部分HMM（PHMM）：推理和学习（MLE，MAP仅针对多元正态发射概率） 多元正态分布（MVN）：MLE，MAP，后验预测，熵计算，梯度评估 多元T学生分布（MVST）：用于MVN的后验，拉普拉斯近似 分类分布：推理和学习（MLE，MAP） Dirichlet分布：推理和学习（MLE，Weigthed MLE，熵，KL散度） 数值稳定：对数概率空间实现 参考： 拉卡（Racca），马蒂亚（Mattia）和基尔基·维尔（Kyrki Ville）。 “针对时间任务模型的主动机器人学习。” 2018年ACM / IEEE人机交互国际会议论文集，纽约，纽约，美国，2018年，第123–131页。 汤姆敏卡。 “估计Dirichlet分布。” 技术

改文件包中包含EM算法，已经使用GMM算法进行参数估计，并同时示例进行分类训练和预测

隐马尔可夫模型 (HMM) 是一种信号预测模型，已被用于预测经济状况和股票价格。 该项目旨在实现将机器学习算法应用于股票市场的目标。 长短期记忆模型（LSTM）保证了在新的时间状态下，随着隐藏层不断叠加输入序列，之前的信息可以继续向后传播而不会消失。我们的主要目的是通过预测一只股票的涨跌 使用 HMM-LSTM。 Experiment with 4 different models: GMM-HMM XGB-HMM GMM-HMM-LSTM XGB-HMM-LSTM Compared with the results: train_set

对GMM在背景建模中的一个简单的实现，参卡论文为Adaptive background mixture models for real-time tracking，该实现的输入可以是视频，也可以是摄像机的数据

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