對于數(shù)據(jù)缺失的em算法，對應(yīng)于《模式識別》書上的第三章47題
上傳時間： 2018-11-19
上傳用戶：Rachel
《模式分類》書上第三章47題的含有數(shù)據(jù)缺失情況下的em算法，python
標(biāo)簽： em算法
上傳時間： 2018-11-20
上傳用戶：Rachel
從ML-EM 重建算法入手，分析了貝葉斯模型的一些關(guān)鍵點(diǎn)，針對采用傳統(tǒng)方法求解MAP問題的局限性，提出一種用于正電子成像的貝葉斯神經(jīng)網(wǎng)絡(luò)重建算法，為了保留邊緣信息，引入了二進(jìn)制的保邊緣變量，并應(yīng)用共軛神經(jīng)網(wǎng)絡(luò)求解，模擬的重建結(jié)果表明，應(yīng)用這種算法可以得到比ML-EM 算法更好的重建圖像@
上傳時間： 2013-12-03
上傳用戶：ztj182002
本算法包括最大似然估計(jì)，最小二乘估計(jì)，基于em算法的多種混合高斯分布估計(jì)，em算法測試實(shí)例，繪制每種分布的plot函數(shù)。非常有參考價值！
標(biāo)簽： 算法
上傳時間： 2014-01-11
上傳用戶：日光微瀾
這是一款用C++編寫的實(shí)現(xiàn)gmm算法的程序，有樣例程序，實(shí)現(xiàn)了em算法來尋找GMM參數(shù)。
上傳時間： 2014-11-06
上傳用戶：xyipie
多種概率分布的擬合函數(shù)集合 本算法包括最大似然估計(jì)，最小二乘估計(jì)，基于em算法的多種混合高斯分布估計(jì)，em算法測試實(shí)例，繪制每種分布的plot函數(shù)。非常有參考價值！
上傳時間： 2014-01-01
上傳用戶：杜瑩12345
這是一款用matlab編寫的GMM算法，有樣例，實(shí)現(xiàn)用em算法尋找GMM參數(shù)
上傳時間： 2017-05-27
上傳用戶：dreamboy36
K-Means算法是最古老也是應(yīng)用最廣泛的聚類算法，它使用質(zhì)心定義原型，質(zhì)心是一組點(diǎn)的均值，通常該算法用于n維連續(xù)空間中的對象。 K-Means算法流程 step1：選擇K個點(diǎn)作為初始質(zhì)心 step2：repeat 將每個點(diǎn)指派到最近的質(zhì)心，形成K個簇 重新計(jì)算每個簇的質(zhì)心 until 質(zhì)心不在變化 例如下圖的樣本集，初始選擇是三個質(zhì)心比較集中，但是迭代3次之后，質(zhì)心趨于穩(wěn)定，并將樣本集分為3部分 我們對每一個步驟都進(jìn)行分析 step1：選擇K個點(diǎn)作為初始質(zhì)心 這一步首先要知道K的值，也就是說K是手動設(shè)置的，而不是像em算法那樣自動聚類成n個簇 其次，如何選擇初始質(zhì)心 最簡單的方式無異于，隨機(jī)選取質(zhì)心了，然后多次運(yùn)行，取效果最好的那個結(jié)果。這個方法，簡單但不見得有效，有很大的可能是得到局部最優(yōu)。 另一種復(fù)雜的方式是，隨機(jī)選取一個質(zhì)心，然后計(jì)算離這個質(zhì)心最遠(yuǎn)的樣本點(diǎn)，對于每個后繼質(zhì)心都選取已經(jīng)選取過的質(zhì)心的最遠(yuǎn)點(diǎn)。使用這種方式，可以確保質(zhì)心是隨機(jī)的，并且是散開的。 step2：repeat 將每個點(diǎn)指派到最近的質(zhì)心，形成K個簇 重新計(jì)算每個簇的質(zhì)心 until 質(zhì)心不在變化 如何定義最近的概念，對于歐式空間中的點(diǎn)，可以使用歐式空間，對于文檔可以用余弦相似性等等。對于給定的數(shù)據(jù)，可能適應(yīng)與多種合適的鄰近性度量。
標(biāo)簽： K-means Java 數(shù)據(jù)挖掘 聚類 算法
上傳時間： 2018-11-27
上傳用戶：1159474180
附件中的m代碼包括了一系列的擬合函數(shù)，這些函數(shù)通常的輸入是概率分布的樣本。還有最大似然估計(jì)仿真器、最小平方仿真器、混合高斯分布估計(jì)的em算法、
上傳時間： 2016-07-31
上傳用戶：zmy123
《統(tǒng)計(jì)學(xué)習(xí)方法》李航第二版，機(jī)器學(xué)習(xí)，人工智能必備基礎(chǔ)書籍 內(nèi)容簡介：統(tǒng)計(jì)學(xué)習(xí)方法即機(jī)器學(xué)習(xí)方法，是計(jì)算機(jī)及其應(yīng)用領(lǐng)域的一門重要學(xué)科。本書分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩篇，全面系統(tǒng)地介紹了統(tǒng)計(jì)學(xué)習(xí)的主要方法。包括感知機(jī)、k近鄰法、樸素貝葉斯法、決策樹、邏輯斯諦回歸與最大熵模型、支持向量機(jī)、提升方法、em算法、隱馬爾可夫模型和條件隨機(jī)場，以及聚類方法、奇異值分解、主成分分析、潛在語義分析、概率潛在語義分析、馬爾可夫鏈蒙特卡羅法、潛在狄利克雷分配和PageRank 算法等。本書是統(tǒng)計(jì)機(jī)器學(xué)習(xí)及相關(guān)課程的教學(xué)參考書，適用于高等院校文本數(shù)據(jù)挖掘、信息檢索及自然語言處理等專業(yè)的大學(xué)生、研究生，也可供計(jì)算機(jī)應(yīng)用等專業(yè)的研發(fā)人員參考。
標(biāo)簽： 統(tǒng)計(jì)學(xué)習(xí)方法 機(jī)器學(xué)習(xí)
上傳時間： 2021-09-01
上傳用戶：wenxiuyu
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
