本专区汇聚了各类基于 EM算法 开发的源码资源，共计 64 篇资源供开发者免费下载学习。
此文件夹包含"拟合"函数的集合。 %（有些有演示选项-第三部分） %一般输入的功能应该是样本的分布。 % 例如，如果我们要符合正态分布 （高斯） 与平均"u"和应用"sig
概率潜在语义分析。此实现带有 EM 和极大似然学习的钢化玻璃的 EM 版本。它的部分都写为 mex 文件使该算法从训练数据的稀疏结构中受益。此实现遵循从纸： 在人工智能领域，UAI
该代码用于高斯混合模型分析，主要是分析混合高斯模型的参数pi,期望和方差。该程序采用了EM算法，但EM算法与初值设定有很大的关系，在该算法在初值的设定是随机的，这样可以减少误差，提
该算法，是基本的Em算法，可以直接调用，经过试验真的很不错，另外里面还有很多源代码，每个源代码都可以直接调用，算法中含有比较细致的描述。
基于EM算法的GMM模型建立 很有效果高斯混合模型(GMM)是一种经典的说话人识别算法，本文在实现其算法的同时，主要模拟了不同噪声环境情况下高斯混合模型 (GMM)的杭嗓声性能，得
EM 算法是Dempster，Laind，Rubin于1977年提出的求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行 MLE估计，是一种非常简单实用的学习算法。这
包括gmm高斯混合聚类的核心代码，通过产生概率以及后验概率得到类的参数更新，包括权值均值和方差
高斯混合分布与EM算法详细资料，含程序，PDF文档，PPT讲解，实用有价值，是学习马尔科夫模型，语音识别，时间序列数据挖掘等方面的好资料。
EM算法的实现，期望最大化算法，应用于遗传、统计学、通信等领域的算法。
Copyright (c) 2016, Patrick Tsui All rights reserved. Redistribution and use in source
Copyright (c) 2010, LSIS/DYNI All rights reserved. Redistribution and use in source an
GMM只是一个数学模型，只是对数据形态的拟和， 但是和你所看到的数据分布存在出入也是正常的， 因为用EM估计GMM的那些参数时，一般假设我们所得到的数据是不完备的 （