GMM-GMR是一组Matlab函数，用于训练高斯混合模型（GMM）并通过高斯混合回归（GMR）检索广义数据。 它允许通过使用期望最大化 (EM) 迭代学习算法对高斯混合模型 (GMM) 中的任何数据集进行有效编码。 通过使用此模型，高斯混合回归 (GMR) 可用于通过指定所需输入来检索部分输出数据。 然后它作为一个泛化过程，计算关于部分观察数据的条件概率。 提供了一个样本来加载包含多个轨迹数据[t，x]的数据集，其中t是时间值，x是3D中的位置。 然后在 GMM 中对联合概率 p(t,x) 进行编码，GMR 用于检索 p(x|t)，即每个时间步的预期位置。 这用于检索提供的轨迹的平滑广义版本。 源代码是EPFL/CRC Press 出版的“Robot Programming by Demonstration: A Probabilistic Approach”一书中描述的算法的实现

image_color_segmentation-gmm：实现的高斯混合模型（GMM）用于图像颜色分割

gmm的matlab代码高斯混合模型_聚类 高斯混合模型的聚类Matlab代码 您可以选择初始化和规范化的方法。 性能指标包括ACC，ARI和ANMI。 GMM算法： 虹膜的例子 运行demo_data.m 虹膜的结果是： 迭代1，迭代次数：38，精度：0.96666667 迭代2，迭代次数：38，精度：0.96666667 迭代3，迭代次数：38，精度：0.96666667 迭代4，迭代次数：38，精度：0.96666667 迭代5，迭代次数：38，精度：0.96666667 迭代6，迭代次数：38，精度：0.96666667 迭代7，迭代次数：38，精度：0.96666667 迭代8，迭代次数：38，精度：0.96666667 迭代9，迭代次数：38，精度：0.96666667 迭代10，迭代次数：38，精度：0.96666667 该算法的平均迭代次数为：38.00 平均运行时间为：0.11719 平均准确度是：0.96666667 平均randint指数是：0.95749441 平均归一化的共同信息是：0.89969459 代码作者 王荣荣（kailugaji） 2020/7/5

目前流行的机械性能退化评估技术牵涉到在能识别所有故障特征迹象的基础上对一台机器的当前状态进行评估， 这种方法必需搜集到（机器） 在不同状态下的完整数据。 但是故障数据总是难以获得， 于是导致了这种技术很难被广泛应用。 这篇论文介绍了 一个不需要故障历史数据的新颖方法。

高斯密度函数估计是一种参数化模型。有单高斯模型(Single Gaussian Model, SGM)和高斯混合模型(Gaussian mixture model,GMM)两类。本文详细介绍了这两种模型的原理,并介绍了实现方法,最后附了源码,以供参考.源码经过详细测试，没有任何错误

经过改进的高斯混合模型，运行效果还是可以的，适用于想深入了解混合高斯模型前景的同学，代码书写比较规范

行业-电子政务-基于小波分析和有限高斯混合模型EM方法的模拟电路故障诊断方法.zip

Purdue大学一个教授写的高斯混合模型的库，附带有我封装的接口(GMM.c)，以及作者的使用手册PDF

VB-GMM 高斯混合模型的变分贝叶斯模型选择。

一种基于高斯混合模型的无监督粗糙聚类方法.pdf