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。

提出了一种基于小波系数局部统计模型的图像去噪方法。该方法利用小波子带的方向性特点以及小波系数尺度内的相关性，将小波系数的概率分布建模为一种自适应高斯混合模型，在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数。利用这种萎缩函数可以实现对小波系数的修正。实验结果表明，利用该方法进行图像去噪能够取得良好的效果，同时可以有效地保留图像的细节。

Bayes GMM：贝叶斯高斯混合模型 概述 有限贝叶斯高斯混合模型 (FBGMM) 和无限高斯混合模型 (IGMM) 都是使用折叠吉布斯采样实现的。 示例和测试代码 运行make test来运行单元测试。 运行make test_coverage以检查测试覆盖率。 查看 examples/ 目录中的示例。 依赖关系 NumPy 和 SciPy： ://www.numpy.org/ 鼻子： : 参考资料和注释 如果您使用此代码，请引用： H. Kamper、A. Jansen、S. King 和 S. Goldwater，“使用固定维度声学嵌入对语音段进行无监督词法聚类”，IEEE 口语技术研讨会 (SLT) 会议录，2014 年。 在代码中，引用了以下内容： KP Murphy，“高斯分布的共轭贝叶斯分析”，2007 年，[在线]。 可用： : KP Murphy，

基础科研

在视频监控领域中,有效快速的视频目标分割是视频分析与处理中的一项关键技术。针对固定场景监控中背景复杂,存在 噪声等影响分割问题，在Stauffer等人提出的经典自适应混合高斯背景模型基础上,提出了基于高斯混合模型的时空耦合视频对象 分割算法,这一新算法从时空两个尺度上为每个像素进行分类。

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。

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