目前基于相似度的聚类方法对风电出力场景进行聚类划分, 而相似度又大多采用欧式距离长短作为衡量依据, 其结果反映时间序列曲线的幅度大小差异, 未能反映出曲线的形态特征及变化趋势的不同. 本文提出一种基于高斯混合聚类的风电出力场景划分的方法, 即通过属于某一类的概率大小来判断最终的归属类别. 首先根据BIC准则, 肘部法则和轮廓系数分别确定GMM聚类和K-means聚类的最佳数量, 然后以某地区实际风电为研究对象, 提取该地区3年春季风电出力典型场景, 并对这两种聚类结果进行对比分析, 验证本文方法的有效性. 最后通过GMM聚类模型提取该地区各个季节风电出力典型场景.

HMM+GMM语音识别技术详解级PMTK3中的实例-附件资源

语音识别GMM-HMM 模型 语音识别发展 人工智能 ASR 传统结合

这几天把EM算法(Expectation Maxinum)反复琢磨了几遍，经过几次讨论，对EM算法的数学模型有了比较深入的理解。考虑到： 1. 这个算法在Machine Learning中极其重要，也是进行Machine Learning深入研究的一个重要阶梯 2. 这个算法确实需要一定的概率和数学基础 3. 中文或翻译的教材似乎没有很好的解释清楚这个算法 于是我根据Pattern Recogition and Machine Learning一书相关章节的内容，结合自己的理解，写了一套中文的EM算法介绍和分析。又混合高斯模型开始，由浅入深，逐步讲解了EM算法在混合高斯模型应用和一般化描述。自己感觉还是比较容易理解的。 如果发现pdf中有什么问题，或有什么错误，请直接与我联系，欢迎讨论。 要下载最新的版本请到http://glatteis.spaces.live.com

尝试适应不同的 GMM 并根据 AIC 和 BIC 信息论标准选择最佳的

PDF电子书《GMM：高斯混合模型》，和大家分享

这篇文章比较详细的推到了GMM模型中的迭代公式的由来

图像分割的matlab程序 可以实现 并且有同步的外国论文文献 非常好用-Image segmentation matlab program can achieve synchronization of foreign papers and literature is very easy to use

在使用EM算法训练GMM过程中，使用到的logsumexp函数，顾名思义，是计算log（sum（exp（X）））的函数。

高斯混合模型的期望最大化算法的实现， 考虑 20 个点的数据并使用 EM 算法使用两个高斯分布对该数据进行建模