基本信息

---

下载

   友情提示：（无需注册或充值，赞助后即可获取资源下载链接）

---

     嘿，亲！知识可是无价之宝呢，但咱这精心整理的资料也耗费了不少心血呀。小小地破费一下，绝对物超所值哦！如有下载和支付问题，请联系我们QQ(微信同号)：813200300

本次赞助数额为： 2 元　

支付宝支付

微信支付

   源码介绍

---

EM算法 

clc;
clear all;
load data;
[dim,Num]=size(data);
max_iter=10;%最大迭代次数
min_improve=1e-4;% 提升的精度
Ngauss=3;%混合高斯函数个数
Pw=zeros(1,Ngauss);%保存权重
mu= zeros(dim,Ngauss);%保存每个高斯分类的均值,每一列为一个高斯分量
sigma= zeros(dim,dim,Ngauss);%保存高斯分类的协方差矩阵
fprintf('采用K均值算法对各个高斯分量进行初始化\n');
[cost,cm,cv,cc,cs,map] = vq_flat(data, Ngauss);%聚类过程  map:样本所对应的聚类中心
mu=cm;%均值初始化
for j=1:Ngauss
   gauss_labels=find(map==j);%找出每个类对应的标签
   Pw(j)= length(gauss_labels)/length(map);%类别为1的样本个数占总样本的个数 
   sigma(:,:,j)  = diag(std(data(:,gauss_labels),0,2)); %求行向量的方差，只取对角线，其他特征独立，并将其赋值给对角线
end

last_loglik = -Inf;%上次的概率
% 采用EM算法估计GMM的各个参数
if Ngauss==1,%一个高斯函数不需要用EM进行估计
    sigma(:,:,1)  = sqrtm(cov(data',1));
    mu(:,1)       = mean(data,2);
else
     sigma_i  = squeeze(sigma(:,:,:));
     
     iter= 0;
     for iter = 1:max_iter
          %E 步骤
          %求每一样样本对应于GMM函数的输出以及每个高斯分量的输出，
          sigma_old=sigma_i;
          %E步骤。。。。。
          for i=1:Ngauss
          P(:,i)= Pw(i) * p_single(data, squeeze(mu(:,i)), squeeze(sigma_i(:,:,i)));%每一个样本对应每一个高斯分量的输出
          end
          s=sum(P,2);%
        for j=1:Num
            P(j,:)=P(j,:)/s(j);
        end
       %%%Max步骤
        Pw(1:Ngauss) = 1/Num*sum(P);%权重的估计
        %均值的估计
        for i=1:Ngauss
            sum1=0;
            for j=1:Num
             sum1=sum1 P(j,i).*data(:,j);
            end
          mu(:,i)=sum1./sum(P(:,i));
        end
       
        %方差估计按照公式类似
         %sigma_i
         if((sum(sum(sum(abs(sigma_i- sigma_old))))<min_improve))
             break;
        end
        
        
     end
    
     
end



function p = p_single(x, mu, sigma)

%返回高斯函数的值

 [dim,N]=size(x);
 p=zeros(1,N);
 for i=1:N
     p(i)= 1/(2*pi*abs(det(sigma)))^(length(mu)/2)*exp(-0.5*(x(:,i)-mu)'*inv(sigma)*(x(:,i)-mu));
 end