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

我们提出了一个扩散导向模型，该模型在总变异和 Perona-Malik 模型之间提供了有效的相互作用。 框架中引入了两个参数来凸化我们的能量函数。 此外，为了处理乘法噪声，我们在框架中加入了基于对数的先验。 实证结果表明，所提出的方法生成更清晰和详细的图像。 更重要的是，我们的框架可以在更长的时间内发展，而不会弄脏关键的图像特征。

本压缩包包含word版lun-wen，答bppt，开tppt，开t报告等文件，供大家参考学习。摘要：国内外很多研究学者对情感分析研究都做了大量的工作，但本文通过文献调查发现，大多数研究方法是基于基础情感词典的方法和基于机器学习和深度学习单一模型的方法来研究，没有一部关于中文微博的领域性情感词典，单一模型不能解决上下文语义性和遗忘的问题。 在阅读和学习了大量学者对领域性情感词典和混合模型的文献以后，本文构建了一部中文微博领域性情感词典，提高了微博数据情感分析的准确性；在RNN模型的基础上加入Attrntion机制，构建一种基于TextRNNN-Attention的混合模型，解决了RNN模型的遗忘问题。为后续研究者提供了一种思路，具有一定的理论意义。

台风是一种极端天气事件，每年夏天都会对沿海地区的城市经济造成重大损失。 预测台风的形成和强度以对台风灾害进行预警是非常重要的。 传统的基于流体理论的数值预报模型仍然很难准确地预测台风强度。 一些研究尝试使用机器倾斜方法来预测台风的形成和强度，但是他们并未考虑台风形成变量之间的时空关系。 在这里，我们提出了一个混合的CNNLSTM模型来学习大气和海洋变量的时空相关性。 我们的CNN-LSTM模型引入了3D卷积神经网络（3DCNN）和2D卷积神经网络（2DCNN），以了解台风形成特征之间的空间关系。 我们利用LSTM来学习台风路径中特征的时间序列关系。 在三个数据集上进行的广泛实验表明，我们的CNN-LSTM混合模型优于现有方法，包括许多官方组织使用的传统数值预测模型，统计预测方法和基于机器学习的方法。

为满足复杂场景下视频烟雾检测的实时性、准确率等需求,提出了一种将高斯混合模型与卷积神经网络相结合的视频烟雾检测方法。基于高斯混合模型的背景减除法和形态学方法实现对视频图像的运动目标提取;针对烟雾检测效率和网络过拟合等问题,设计用于视频烟雾检测的卷积神经网络模型;通过烟雾正负样本图像对卷积神经网络进行训练和测试。在此基础上,合理地设定运动目标网络模型的输出概率的阈值,有效去除训练样本中没有涵盖的非烟雾干扰项,降低误报率。实验结果表明,该方法是可行且有效的,其视频烟雾检测准确率达到97.5%,平均烟雾报警响应时间为4.58 s,可满足复杂场景下烟雾的实时检测要求。

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

广义线性混合模型高清完整版，英文原版。清晰度很高，主要介绍线性混合模型

训练高斯混合模型的程序，尽管此类代码较多，但本程序经过改写优化后，很大程度上避免了普通方法中局部最优的问题。

高斯混合模型（Gaussian Mixed Model）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况（或者是同一类分布但参数不一样，或者是不同类型的分布，比如正态分布和伯努利分布）。该代码用vs2012打开即可运行。