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

R中的广义线性混合模型教程 该存储库包含（相对）简短的教程，介绍使用R拟合和比较模型的广义线性混合模型（GLMM）。 本教程的一般内容是由Richard McElreath出色的统计学课程“ Statistical Rethinking”启发而来的。 有关该材料的最新信息，可以在理查德的找到。 特别是，我编写此脚本时借鉴了课程期末考试中出现的一系列问题。 这些练习对我来说尤其具有启发性，因为它们说明包含随机效应（又称变化效应）不仅可以改变相对模型排名，而且还强调，添加随机效应可以极大地改变我们对固定效应的估计（即，通常情况下，关心我们的模型中的大多数）。 本教程使用R软件包lme4 ， AICcmodavg和rethinking 。 赤池的信息准则（AIC）用于比较拟合模型。 储存库内容 glmm_tutorial_script.R文件包含我的代码和教程注释 glmm_tutorial_d

TensorFlow示例模型 基于TensorFlow的几种机器学习模型的实现（前三个-Logistic Regresion，MLP和CNN受启发）。 文件夹包含以下内容的简单实现： （带EM） 文件夹包含通过期望最大化算法（具有对角协方差，完全协方差，基于梯度等）训练的高斯混合模型实现的详细版本。 文件夹包含将GMM实现分解为一组连贯的类的初始尝试。

基于高斯混合模型，对视频中的运动图像进行分割