搜索资源列表
emgmm
- 最大的高斯混合模型似然估计的期望最大化算法-Maximum likelihood estimation of Gaussian mixture model by expectation maximization algorithm
jiyuneirongdeyinpinjiansuoyan
- 本文根据上述的研究，采用基于Mel倒谱系数特征的隐马尔可夫模型对音 乐进行分类。在音乐特征提取方面，以感知特征和Mel倒谱系数组成特征向量 在音乐分类方面，以隐马尔可夫模型作为分类器，对音乐进行聚类和分类。通过 有监督的学习方式进行聚类，分类时将测试样本归入似然值最大的类别，对同一 音频抽取若干样本，对样本识别结果采用投票法，判定该音频的音乐类别，使分 类的准确率得到进一步的提高。根据上述方法进行了仿真实验，并对实验结果进 行了分析。本文将音频数据分为5类，对4种分类器
RELS
- 增广最小二乘的递推算法对应的噪声模型为滑动平均噪声，扩充了参数向量和数据向量H（k）的维数，把噪声模型的辨识同时考虑进去。最小二乘法只能获得过程模型的参数估计，而增广最小二乘法同时又能获得噪声模型的参数估计，若噪声模型为平均滑动模型，，则只能用RELS算法才能获得无偏估计。当数据长度较大时，辨识精度低于极大似然法。-Augmented least squares of recursion algorithm corresponding noise model for moving average
Max-GARCH
- 计算最大值,在估计的时候计算似然估计的最大值，并给出结果。-max caculate
EM
- 对于混合高斯分布的情况，使用最大期望算法，通过不断计算每个样本的均值与方差，使得似然函数达到最大值。可以很好地处理满足一定概率分布的数据。 代码中通过mvnrnd()函数，设定其中的参数，产生符合混合高斯分布的一组数据集。-For the case of a mixed Gaussian distribution, using expectation-maximization algorithm, through continuous calculation of the mean and
EM
- 实验报告，实现：对于混合高斯分布的情况，使用最大期望算法，通过不断计算每个样本的均值与方差，使得似然函数达到最大值。可以很好地处理满足一定概率分布的数据。 代码中通过mvnrnd()函数，设定其中的参数，产生符合混合高斯分布的一组数据集。-Lab reports, to achieve: the case of the mixed Gaussian distribution, using expectation-maximization algorithm, through continuo
使用加权辅助变量的被动发射源定位
- 由于测量矩阵和方位噪声之间的相关性，我们已知的发射极定位的线性最小二乘算法，如伪线性估计器，具有较大的估计偏差。本文提出了一种新的基于闭型的发射器定位算法，该算法克服了这种偏倚，利用了比定位估计的辅助变量。通过计算机模拟，新算法的性能优于伪线性估计器，同时具有与计算成本更高的极大似然发射器相同的性能。(Because of the correlation between the measurement matrix and azimuth noise, we have known that th
微弱特征处理算法
- 利用最大似然估计增强信号的冲击信号中的故障特征，去除滤波后PRS重建新号的残留噪声，提高轴承早期微弱故障信息。 采用周期调制强度（去噪和弱特征增强），突出振动信号中的故障分量，尽可能的让某个具有故障信息的特征突出，使得噪声信息和其他故障特征变小（比率凸显特征的优劣，评估常用方法）