jiayouwyhit

摘要： 修改矩阵的形状——cvReshape的操作 经实验表明矩阵操作的进行的顺序是：首先满足通道，然后满足列，最后是满足行。 注意：1 这和Matlab是不同的，Matlab是行、列、通道的顺序； 2.cvGetMat和cvReshape都只生成一个新的矩阵头，而数据都指向原来的地址，所以是两个矩阵共有一组数据，这一点在使用中要注意，原来的数据撤消是否会影响后生成的矩阵的使用； 3.cvReshape是按行形成向量，如果想按列形成向量，就先调用cvTranspose对矩阵进行转置,再调用cvReshape； 4.同样大小的IplImage和CvMat,IplImage->width... 阅读全文

摘要： 这篇讨论使用期望最大化算法（Expectation-Maximization）来进行密度估计（density estimation）。 与k-means一样，给定的训练样本是，我们将隐含类别标签用表示。与k-means的硬指定不同，我们首先认为是满足一定的概率分布的，这里我们认为满足多项式分布，，其中，有k个值{1,…,k}可以选取。而且我们认为在给定后，满足多值高斯分布，即。由此可以得到联合分布。 整个模型简单描述为对于每个样例，我们先从k个类别中按多项式分布抽取一个，然后根据所对应的k个多值高斯分布中的一个生成样例，。整个过程称作混合高斯模型。注意的是这里的仍然是隐含随机变量。模型中还有三 阅读全文

摘要： 图1：mutilmodel distribution data 高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的连续概率分布函数，它描述了一种围绕某个单值聚集分布的随机变量。生活中，各种各样的心理学测试分数和物理现象比如光子计数都被发现近似地服从高斯分布。同时，高斯分布也是统计学以及许多统计测试中最广泛应用的一类分布。中心极限定理表明... 阅读全文

摘要： 转自http://blog.pluskid.org/?p=39；上一次我们谈到了用 k-means 进行聚类的方法，这次我们来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 则给出这些数据点被 assign 到每个 cluster 的概率，又称作soft ass 阅读全文