基于语音的性别识别 基于语音的性别识别,使用: 免费的ST美国英语语料库数据集(SLR45) 梅尔频率倒谱系数(MFCC) 高斯混合模型(GMM) 数据集 可以在上找到免费的ST美国英语语料库数据集(SLR45) 。 它是提供的免费的美国英语语料库,其中包含10位说话者(5位女性和5位男性)的讲话。 每个说话者大约有350种话语。 理论 语音特征提取 此处使用梅尔频率倒谱系数(MFCC),因为它们可在说话者验证中提供最佳结果。 MFCC通常如下得出: 进行信号(窗口摘要)的傅立叶变换。 使用三角形重叠窗口,将以上获得的光谱的功率映射到mel刻度上。 记录每个梅尔频率下的功率对数。
2021-06-26 02:16:54 18.1MB data-science machine-learning scikit-learn voice
1
高斯混合模型聚类(Gaussian Mixture Mode,GMM)是一种概率式的聚类方法,它假定所有的数据样本x由k个混合多元高斯分布组合成的混合分布生成。 使用场景:用于平坦的结合结构,对密度估计很合适
2021-06-17 19:16:43 2KB 高斯 混合 聚类 python
1
高斯混合模型的em算法代码,文档粗略解析和代码。注释高斯混合,不是高斯过程混合。
2021-06-14 23:40:52 350KB gaussian
1
本文描述了EM算法在高斯混合模型的参数估计中的应用,有Matlab的详细程序
2021-06-12 20:18:52 249KB EM 高斯混合模型 参数估计 最大期望
1
高斯混合模型意味着每个数据点(随机)从 C 类数据之一中抽取,概率 p_i 从第 i 类中抽取,并且每个类都分布为具有平均标准差 mu_i 和 sigma_i 的高斯分布。 给定从这种分布中提取的一组数据,我们试图估计这些未知参数。 这里用于估计的算法是 EM(期望最大化)。 简单地说,如果我们知道 N 个输入数据点中的每一个的类别,我们就可以将它们分开,并使用最大似然估计每个类别的参数。 这是 M 步。 E 步骤根据每个类的前一轮参数估计为每个数据点(软)选择(未知)类。 隐式地将数据分类(或聚类)到不同的类中,估计其参数。 当前代码仅适用于一维数据,主要用于说明混合模型和 EM 的想法,但很容易推广到更高维度。
2021-06-12 19:52:36 4KB matlab
1
GMM(高斯混合模型)的动态背景分割的实验报告以及源码,数据集。 另外用到了形态学操作与多通道的处理,提升了实验结果的性能。
2021-06-07 22:29:20 33.26MB GMM 高斯混合模型 背景分割 源码
1
在“使用最大化-最大化算法快速逼近变分贝叶斯狄利克雷过程混合”中 Dirichlet 过程高斯混合(算法 1)的变分推理的实现, https://doi.org/10.1016/j.ijar.2017.11.001 1) 计算共轭先验的期望2)然后更新他们的超参数
2021-05-29 21:02:57 4KB matlab
1
em算法matlab代码稳健的期望最大化(REM) 个体在许多实质性方面存在差异,但并不总是通过假定的数据生成模型来捕获。 为了解决这个问题,我们提出了一种基于EM算法的稳健估算程序,该算法称为REM(稳健期望最大化)。 该存储库中的文件包含用于仿真研究的MATLAB源代码,该论文在本文中找到,通过稳健估计来解决潜在变量设置中的异构种群。 有关REM和仿真研究的更多详细信息,请参见此处。 混合物模型 此文件夹包含用于运行模拟的代码,该模拟在模型错误指定下比较高斯混合模型参数的EM和REM估计。 可以从MixtureModel / GMM_sim_main.m运行模拟 可以对来自MixtureModel / GMM_estimates.m的输入p×n数据集X进行估算 因子分析 该文件夹包含用于运行模拟的代码,这些模拟比较了异构种群中因子结构的EM和REM估计。 可以从FactorAnalysis / FA_sim_main.m运行模拟 可以对来自FactorAnalysis / FA_estimates.m的输入p×n数据集X进行估算
2021-05-26 18:02:49 400KB 系统开源
1
高斯混合模型可以拟合任意数据,本程序就音频数据建立高斯混合模型,内附详细代码,以及经典pdf资料讲解。
2021-05-23 16:39:26 4.05MB 高斯混合模型
1
高斯混合模型GMM与EM算法的matlab实现,用户可直接运行代码,观看结果,欢迎下载,进行进一步讨论
2021-05-15 08:48:43 2KB GMM EM Matlab
1