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。

R语言。随机生成两个二维高斯混合分布，每种分布有1000个点。并运行R语言自带的EM算法的包。可直接运行。

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

这个包通过期望最大化（EM）算法拟合高斯混合模型（GMM）。它适用于任意维度的数据集。 应用了多种技术来提高数值稳定性，例如在对数域中计算概率以避免浮点数下溢，这在计算高维数据概率时经常发生。 该代码还通过利用顶点化和矩阵分解进行了仔细调整以提高效率。 这种算法被广泛使用。 详细信息可以在伟大的教科书“模式识别和机器学习”或维基页面中找到http://en.wikipedia.org/wiki/Expectation-maximization_algorithm 此功能强大且高效，但代码结构经过组织，易于阅读。 请尝试以下代码进行演示： 关闭所有; 清除; d = 2; k = 3； n = 500； [X,label] = mixGaussRnd(d,k,n); plotClass(X,label); m = 楼层（n/2）； X1 = X(:,1:m); X2 = X(:,(m

java编写的EM求解高斯混合分布的代码，有运行截图

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