详细介绍了GMM模型训练的EM算法，对做说话人识别，理解其模型建立的过程有一定的帮助。

Gaussian Mixture Model Matlab code!

为解决地板块纹理分类难度大的问题，提出了一种基于Kmeans-GMM模型的地板块纹理分类方法．在阐述混合高斯模型GMM及参数估计算法原理的基础上，采用灰度共生矩阵提取地板块纹理特征，结合Kmeans算法，通过训练得到各类纹理所对应的混合高斯模型GMM的参数，实现对地板块纹理分类．实验结果表明该方法辨识准确率高、识别速度快，优于传统的神经网络分类法以及SVM算法，为地板块纹理分类的研究提供了一个新的思路．

对数据进行高斯混合拟合。 输入：数据、高斯数。 输出：均值、西格玛、权重、mAIC、rmse。 x 轴代表数据范围，而 y 轴代表密度。

语音识别 语种识别

人体姿态识别在人机交互, 游戏以及医疗健康等领域有着深远意义, 基于便携式传感器进行多种人体姿态高精度的稳定识别是该领域的研究难点. 本文采集了8种姿态的高频传感器数据, 提取原始数据的窗口时域特征组成数据集. 根据人体姿态的传感器数据特点将人体姿态划分为4个阶段, 使用高斯混合模型(Gaussian Mixture Model, GMM)拟合人体姿态的观测序列, 结合隐马尔可夫模型(Hidden Markov Model, HMM), 利用GMM-HMM算法进行姿态识别. 本文对比了不同窗口值下的一阶隐马尔可夫模型(1 Order Hidden Markov Model, 1OHMM)和二阶隐马尔可夫模型(2 Order Hidden Markov Model, 2OHMM)的效果, 当窗口值为8时, 2OHMM的性能最优, 整体召回率达到了95.30%, 平均准确率达到了95.23%. 与其它研究相比, 本文算法能识别的姿态种类较多, 算法识别性能较佳且算法耗时较短.

EM算法进行GMM参数估计的Python实现-附件资源

高斯混合模型数学原理,EM算法，运动目标检测识别

网上很多的代码都是错误的，特别是广为流传的那份，我已经进行了修改，并在此前提下，对群中心距离是否太近进行了判断，如果群中心太近，那就就将两个中心所代表的两个聚类合成为一个聚类，更符合实际

GMM/ k-mean 聚类算法