改文件包中包含EM算法，已经使用GMM算法进行参数估计，并同时示例进行分类训练和预测

文章目录0.前言1.E-M在解决什么问题？（一句话概括EM）2.E-M是一种模型么？3.E-step和M-step分别指的是什么？4.E-M的优化目标是什么？5.E-M收敛么，为什么？6.怎么理解隐变量，对任意模型都可以引入隐变量么？（隐变量的合理性）7.如何理解GMM中的隐变量8.怎么理解GMM和E-M之间的关系？9.GMM可以做什么事情？10.GMM和K-means之间有什么联系？参考文献源码 0.前言 看过很多博客“详解EM和GMM算法”这之类的，也看过李航《统计学基础》上的EM和GMM,这里总结一下几个问题，如果以下问题可以解决，我觉得EM算法和GMM模型就理解的相当好了。本文章不做数

图像分割的matlab程序 可以实现 并且有同步的外国论文文献 非常好用-Image segmentation matlab program can achieve synchronization of foreign papers and literature is very easy to use

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

这个文档详细介绍了GMM算法，包括公式的推倒，非常适合初学者

matlab code for pattern recognition. 包含完整PCA NMF LDA GMM代码和使用说明

所谓混合高斯模型（GMM）就是指对样本的概率密度分布进行估计，而估计采用的模型（训练模型）是几个高斯模型的加权和（具体是几个要在模型训练前建立好）。每个高斯模型就代表了一个类（一个Cluster）。对样本中的数据分别在几个高斯模型上投影，就会分别得到在各个类上的概率。然后我们可以选取概率最大的类所为判决结果。

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

利用GMM算法实现Voice conversion，文件中有样例，实现的大体方法见博客，资源来自CodeOcean

GMM 算法开发必备。经典论文收录。open cv库函数引用论文。