REGHDFE：具有多个固定效应的线性回归 当前版本： 5.6.8 03mar2019 （当前SSC版本： 5.6.8 03mar2019 ） 跳转到： 最近更新 版本5.7.3 13nov2019 ： 使用压缩选项（＃194）修复了罕见错误。 版本也已提交给SSC。 版本5.7.0 20mar2019 ： 用户不再需要运行reghdfe, compile安装后即可进行reghdfe, compile 。 如果出现错误“类FixedEffects未定义”，请升级到该版本或运行reghdfe, compile 版本5.6.8 03mar2019 ： 发布软件包，用于具有固定效果的Poisson模型。 如果您使用左侧的log(y)运行回归，请使用此选项。 reghdfe的稳定版本，也在SSC上。 版本5.6.2 10feb2019 ： 运行所需的最低要求版本 版本5.6

C#环境开发的深度学习，进行模板特征的识别匹配，包括所有的源代码，结合halcon写的深度网络学习的源代码。

这是用于聚类的高斯混合建模的简单实现。 此实现旨在用于教育目的，它的实现方式使代码尽可能具有可读性，而不是尽可能高效。

语音信号处理实验教程配套matlab代码，GMM。可以实现基本的训练和识别。

hmm模型matlab代码HMM-GMM 这是我个人实现的隐马尔可夫模型和高斯混合模型，这是统计机器学习中的两个经典生成模型。 HMM是在无监督的情况下进行训练的，代码实现了前向后退算法，以在给出部分/全部观测值的任何时间步长计算状态的边际概率，而Baum-Welch算法则用于估计初始概率分布，过渡和排放概率分布。 对于此示例，观察值是空格和字母，但是代码足够通用，可以与任何观察值序列和隐藏状态一起使用。 下面讨论的所有概率将在日志空间中。 HMM的推论被实现为一种维特比算法（动态编程） 依存关系 Python 3.x load_corpus(path) 此功能特定于此示例，用于读取观察顺序。 它将读取路径中的文件，仅保留字母和单个空格对其进行清理，并将所有内容都转换为小写。 它将返回清除输入的字符串。 load_probabilities(path) 此函数在指定的路径中加载pickle文件，该路径包含字典的元组。 第一个字典包含初始状态概率，并将整数i映射到第i个状态的概率。 第二词典包含转换概率和映射整数i到该整数j映射到过渡的从状态i到状态j的概率的第二词典。 最后，第三个字典

GMM-GMR，高斯混合模型的Matlab程序，需要预先设定模型数目

在这个项目中，我们要处理使用EM算法训练GMM-HMM的孤立单词数据。 测试阶段也考虑使用维特比算法。 结果表明，通过Matlab 编程获得的性能与HTK 的性能相似。 在运行这些程序之前，请先准备好训练和测试数据。 TIDIGITS 数据库的摘录可以从这个链接获得： http://www.ece.ucsb.edu/Faculty/Rabiner/ece259/speech recognition course.html 标题为“隔离的 TI 数字训练文件，8 kHz 采样，终结点：(isolated_digits_ti_train_endpt.zip)”。 或者您可以直接从这个链接下载训练数据库的 .zip 文件： - 训练数据： http://www.ece.ucsb.edu/Faculty/Rabiner/ece259/speech recognition cours

gmm语音matlab代码歌手声音类型预测 通过 HMM，GMM 分类歌手声音类型的简单代码。 在训练之前也可以使用各种降维方法。 测试环境（非必需） Matlab 7.11 R2011b，Win7 32 位 所需工具箱 实用工具箱 树液工具箱 机器学习工具箱 语音工具箱 pmtk工具箱 示例数据集 歌唱发声模式数据集 设置： 将toolboxPath.root中的vtpInit.m更改为您下载的工具箱的根路径。 更改路径设置： datasetDir ， featurePath在featureExtractOptSet.m ，并usedDatasetFeaPath在trainingOptSet.m和testingOptSet.m 。 用法： 根据您的目的运行脚本文件go*.m 。 goFeatureExtract：运行特征提取和保存在所提取的特征opt.featurePath （在指定featureExtractOptSet.m ） goCV：运行交叉验证任务，结果将写入您在opt.outFileName中crossValidOptSet.m指定的路径 goTraining：只运行训练

需要和voicebox配合使用，使用voicebox提取MFCC和k均值分类，这是GMM说话人识别模型的训练程序。

该代码是使用高斯混合模型的二分聚类来实现数据集的聚类。