基于SDC特征和GMM-UBM模型的语种识别系统，徐婷婷，，本文提出了一种基于SDC特征和改进的GMM-UBM 模型的自动语种识别方法。SDC特征由许多语音帧的一阶差分谱连接扩展而成，与传统的MFCC特征

在这个项目中，我们首先研究了基于高斯的隐马尔可夫随机场（HMRF）模型及其期望最大化（EM）算法。 然后我们将其推广到基于高斯混合模型的隐马尔可夫随机场。 该算法在MATLAB中实现。 我们还将此算法应用于彩色图像分割问题和 3D 体积分割问题。

基于OpenCV新版本3.2 讲述，详细解释了KMeans、高斯混合模型(GMM)、分水岭变换、Grabcut等算法基本原理与在图像分割中的应用，基于OpenCV相关API演示每种图像分割方法，通过证件照背景融合替换与视频背景融合替换两个真实案例，讲述了图像分割在实际应用场景中的实现与演示。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

GMM只是一个数学模型，只是对数据形态的拟和，但是和你所看到的数据分布存在出入也是正常的，因为用EM估计GMM的那些参数时，一般假设我们所得到的数据是不完备的（也就是说假设我们看到的数据分布不是真正的分布，它在运算时把那部分丢失或者叫隐藏的数据“补”上了）

高斯混合模型（Gaussian mixture model，簡稱 GMM）是單一高斯機率密度函數的 延伸，由於 GMM 能夠平滑地近似任意形狀的密度分佈，因此近年來常被用在語音 與語者辨識，得到不錯的效果。 8 – 1. 單一高斯機率密度函數的參數估測法 8 – 2. 高斯混合密度函數的參數估測法 8 – 3. 求取 GMM 參數的另一種方法

MATLAB程序和论文都在里面，程序不用修改直接运行，2021年这门课程题目大改，六十多分的一大批，因为最后复习的还算全面，最终期末成绩95，自己复习所做的笔记也发布了，很全很全，因为自己还付出了比较多的时间所以就设定了积分，毕竟是劳动成果嘛，如果没有积分的也可以直接联系我呀！

高斯混合模型GMM和AdaBoost PART ONE 高斯混合模型（Gaussian mixture model，简称GMM）是单一高斯概率密度函数的延伸，由于GMM能够平滑地近似任意形状的密度分布，因此近年来常被用在语音识别中。 高斯混合模型( GMM )的核心思想是用多个高斯分布的概率密度函数 一、GMM模型的基本概念 二、GMM模型的参数估计 三、GMM模型的识别问题 PART TWO 泛化能力处于机器学习的中心地位，它刻画了从给定训练数据集中学得的学习器处理未知数据的能力。 集成学习是最成功的一种泛型，具有高度泛化能力的学习器。一般机器学习方法都是从训练数据中学得一个学习器，而集成学习要构建一组基学习器，并将它们进行集成。 基学习器是通过决策树、神经网络及其他各种基学习算法从训练数据集习得的。 集成学习器最大的优点是它可以将稍优于随机猜测的弱学习器提升为预测精度很高的强学习器，通常假设基学习器是弱学习器。 一、引进AdaBoost 二、AdaBoost算法 三、AdaBoost举例 四、AdaBoost应用

这是期望最大化算法如何学习 3 维数据的高斯混合模型的 3D 可视化。 - 这个怎么运作 - 数据在一般协方差高斯簇中被读入或生成。 对于 k 的期望值（要拟合的高斯数），播放一部电影，通过 EM 算法的迭代显示 GMM 的演变。 真实模型仅在每次迭代时可用（被视为电影中的锚帧），因此通过在这些锚之间插入足够多的“帧”来给出 3D 高斯运动的错觉（显示为 1 个标准差的椭球）帧。

go.m为主程序。 本算法是基于Mfcc和Gmm的说话人识别，test文件夹中的语音数据来自于实验室的陈蕴谷、梁建娟、胡业刚、熊可、颜小运的真实语音。 部分程序采用的是台湾张智星先生编写的sar和dcpr工具箱，在此表示感谢。