1. GC 简单介绍 GC（Garbage Collection） 是垃圾收集的简写，GC机制是java中一个比較重要的概念。java的内存管理提供了内存的分配和释放。内存处理是程序编写人员非常easy出错的地方。忘记或错误的内存回收非常easy导致系统的不稳定，甚至瘫痪。java的GC机制能够非常好的检測对象是否超过作用域而能够达到回收的要求，从而实现自己主动回收垃圾对象的释放内存的目的。
转载
2023-06-13 22:02:09
181阅读
看了很多博文，包括《统计学习知识》和西瓜书上对GMM算法的推导，总有些重要的步骤被略去（比如从公式一推到公式二，书上直接给出结果，却没有具体步骤），导致理解整个算法非常困难。后来幸运地发现一篇博文，使用了对我而言易于理解的语言，重要把整个推导过程疏通成功，最后在纸上手推了一遍，真是酣畅淋漓！算法实现很简单，结构跟K-均值形似，参数的推导过程不用体现在代码上，直接根据推导出来的公式计算就
转载
2023-11-18 10:11:51
138阅读
近期上了付费的语音识别相关课程，算是第一次系统学习语音识别相关知识，关于GMM-HMM模型还是没有理解得很透彻，写出来捋一捋思路。 一.单音素GMM-HMM模型 图一
一段2秒的音频信号，经过【分帧-预加重-加窗-fft-mel滤波器组-DCT】，得到Fbank/MFCC特征作为输入信号，此处若以帧长为25ms，帧移为25ms为例，可以得到80帧的输入信号，这80帧特征序列就
转载
2024-06-24 21:19:48
83阅读
注：本文主要参考Andrew Ng的Lecture notes 8，并结合自己的理解和扩展完成。
GMM简介
GMM(Gaussian mixture model) 混合高斯模型在机器学习、计算机视觉等领域有着广泛的应用。其典型的应用有概率密度估计、背景建模、聚类等。
图1 GMM用于聚类 图2 GMM用于概率密度
在 聚类算法K-Means, K-Medoids, GMM, Spectral clustering，Ncut一文中我们给出了GMM算法的基本模型与似然函数，在EM算法原理中对EM算法的实现与收敛性证明进行了具体说明。本文主要针对怎样用EM算法在混合高斯模型下进行聚类进行代码上的分析说明。1. GM...
转载
2015-02-01 20:47:00
40阅读
转载
2014-10-27 09:41:00
83阅读
2评论
在 聚类算法K-Means, K-Medoids, GMM, Spectral clustering，Ncut一文中我们给出了GMM算法的基本模型与似然函数，在EM算法原理中对EM算法的实现与收敛性证明进行了具体说明。本文主要针对怎样用EM算法在混合高斯模型下进行聚类进行代码上的分析说明。1. GM...
转载
2014-07-17 11:10:00
92阅读
在 聚类算法K-Means, K-Medoids, GMM, Spectral clustering，Ncut一文中我们给出了GMM算法的基本模型与似然函数，在EM算法原理中对EM算法的实现与收敛性证明进行了具体说明。本文主要针对怎样用EM算法在混合高斯模型下进行聚类进行代码上的分析说明。1. GM...
转载
2014-10-05 13:28:00
29阅读
2评论
在 聚类算法K-Means, K-Medoids, GMM, Spectral clustering，Ncut一文中我们给出了GMM算法的基本模型与似然函数，在EM算法原理中对EM算法的实现与收敛性证明进行了具体说明。本文主要针对怎样用EM算法在混合高斯模型下进行聚类进行代码上的分析说明。1. GM...
转载
2014-07-06 21:35:00
110阅读
2评论
在 聚类算法K-Means, K-Medoids, GMM, Spectral clustering，Ncut一文中我们给出了GMM算法的基本模型与似然函数，在EM算法原理中对EM算法的实现与收敛性证明进行了具体说明。本文主要针对怎样用EM算法在混合高斯模型下进行聚类进行代码上的分析说明。1. GMM模型：每一个 GMM 由 K 个 Gaussian 分布组成，每一个 Gaussian 称为一个“
转载
2015-02-09 20:57:00
84阅读
2评论
本文的主题是高斯混合模型（GMM），GMM与最大期望（EM）方法有很大的联系，而在GMM的求解过程中使用了极大似然估计法一、极大似然估计我们先来复习一下极大似然估计法是怎么进行的,来看一个的经典实例问题：设样本服从正态分布 ，则似然函数为 试估计参数 与 的值 其中 是样本，也就是说这个函数
转载
2023-10-08 10:59:14
138阅读
1、引言E，expectation（期望）；M，maximization（极大化）； EM算法，又称期望极大算法。EM已知的是观察数据，未知的是隐含数据和模型参数，在E步，我们所做的事情是固定模型参数的值，优化隐含数据的分布，而在M步，我们所做的事情是固定隐含数据分布，优化模型参数的值。为什么使用EM 算法？ EM算法使用启发式的迭代方法，先固定模型参数的值，猜想模型的隐含数据；然后极大化观测数据
转载
2024-03-25 09:11:39
76阅读
GMM，即高斯混合模型（Gaussian Mixture Model），简单地讲，就是将多个高斯模型混合起来，作为一个新的模型，这样就可以综合运用多模型的表达能力。EM，指的是均值最大化算法（expectation-maximization），它是一种估计模型参数的策略，在 GMM 这类算法中应用广泛，因此，有时候人们又喜欢把 GMM 这类可以用 EM 算法求解的模型称为 EM 算法家族。这篇文章
转载
2024-05-21 17:37:31
45阅读
相关数学概念协方差矩阵 多维高斯分布 其中k=n，即x的维度。GMM的原理GMM，高斯混合模型，是一种聚类算法。 1.GMM概念： -将k个高斯模型混合在一起，每个点出现的概率是几个高斯混合的结果。 -每个 Gaussian 称为一个“Component”，这
下面是几个城市的GDP等信息，根据这些信息，写一个SOM网络，使之对下面城市进行聚类。并且，将结果画在一个二维平面上。 //表1中，X。为人均GDP(元)；X2为工业总产值(亿元)；X。为社会消费品零售总额(亿元)；x。为批发零售贸易总额(亿元)；x。为地区货运总量(万吨)，表1中数据来自2002年城市统计年鉴。//城市 X1 X2 X3 Xa X5 北京 27527 2738.30 1
转载
2024-04-19 16:22:00
50阅读
GMM算法
第一章引子假设放在你面前有5篮子鸡蛋，每个篮子有且仅有一种蛋，这些蛋表面上一模一样，就是每一种蛋涵盖有且只有一种维生素，分别是A、B、C、D、E。这个时候，你需要估计这五个篮子的鸡蛋的平均重量μ。 首先有个总的假设： 假设每一种维生素的鸡蛋的重量都服从高斯分布。 这个时候，因为每个篮子的鸡蛋包含有且只有一种，并且彼此之间相同的维生素，即每个篮子的鸡蛋都服从相同的分布，这个时候
转载
2023-08-31 10:07:46
249阅读
我讲EM算法的大概流程主要三部分：需要的预备知识、EM算法详解和对EM算法的改进。一、EM算法的预备知识1、极大似然估计（1）举例说明：经典问题——学生身高问题 我们需要调查我们学校的男生和女生的身高分布。 假设你在校园里随便找了100个男生和100个女生。他们共200个人。将他们按照性别划分为两组，然后先统计抽样得到的100个男生的身高。假设他们的身高是服从高斯分布的。
转载
2024-08-12 14:37:44
56阅读
说一下另一个很流行的算法：Gaussian Mixture Model (GMM)。事实上，GMM 和 k-means 很像，不过 GMM 是学习出一些概率密度函数来（所以 GMM 除了用在 clustering 上之外，还经常被用于 density estimation ），简单地说，k-means 的结果是每个数据点被 assign 到其中某一个 cluster 了，而 GMM 则给出这些数
1、基本原理A向消息服务器发送信息，B从消息服务器读取信息，发送和读取不必同步，提高了信息传输处理的灵活性。消息发送和接收有两种方式，一是点对点方式，即A发送，仅B能接收，接收后队列中消息被删除， 二是主题方式，即A发送，BCD都可以接收，接收后队列中消息仍然存在2、运行消息服务器消息服务器有很多种，比如ActiveMQ， RabbitMQ等等。以ActiveMQ消息服务器为例，运行 \bin\w
转载
2023-08-04 12:58:45
118阅读
在 聚类算法K-Means, K-Medoids, GMM, Spectral clustering，Ncut一文中我们给出了GMM算法的基本模型与似然函数，在EM算法原理中对EM算法的实现与收敛性证明进行了详细说明。本文主要针对如何用EM算法在混合高斯模型下进行聚类进行代码上的分析说明。 1. GMM模型： 每个 GMM 由 K 个 Gaussian 分布
转载
2024-01-16 17:32:13
115阅读
