搜索资源列表
multiScale_KalmanFilter
- 用多尺度卡尔曼滤波法，对信号参数进行识别估计。高频信号和低频信号识别结合起来改进了算法识别的精确度和准确度。-It is an implementation of hierarchical (a.k.a. multi-scale) Kalman filter using belief propagation. The model parameters are estimated by expectation maximization (EM) algorithm. In this impleme
GMM
- 通过应用matlab实现高斯算法，用EM估计GMM的数据参数，并把运算时其遗漏数据补全-Matlab achieved through the application of Gauss algorithm estimates GMM data parameters EM, and the missing data when computing its complement
KalmanAll
- 关于卡尔曼滤波的matlab代码，其中包含了滤波的主算法，以及使用EM查找最大可能的估计参数，随机样本-Kalman filter matlab code, which contains the main algorithm filtering, and the use of EM to find the best possible estimate parameters of a random sample, etc.
EM_matlab
- 是一种用于含有隐变量（hidden variable）的概率参数模型的最大似然估计或极大后验概率估计的matlab算法。 -EM MATLAB
EMSeg
- EM 算法是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估计，是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理缺损数据、截尾数据以及带有噪声等所谓的不完全数据，可以具体来说，我们可以利用EM算法来填充样本中的缺失数据、发现隐藏变量的值、估计HMM中的参数、估计有限混合分布中的参数以及可以进行无监督聚类等等。-Expectation Maximization image segmentation Input: ima: gr
lab6
- 在统计计算中，最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variable）。最大期望经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。
GMMs
- function对数据EM算法进行fit，并对产生的高斯混合模型的最大似然估计进行绘图。输出结构体obj，带有高斯混合模型的参数mu，sigma。(Function carries out fit for data EM algorithm, and draws the maximum likelihood estimation of the Gauss mixture model. The output structure is obj, with the parameter mu and s
MRMRF simple
- 基于MRF图形的小波与分解 获取最粗尺度上的初始分割。使用EM算法必须有一个初值，因此我们首先使用K-均值聚类算法获取尺度J-1上的初始分割结果。 2.E步骤。使用MPL方法GMRF模型参数。 3.M步骤。使用估计出的参数，采用运算速度较快的迭代条件模式（ICM）通过最小化获取尺度上的优化的分割结果。 4.尺度内迭代。重复2和3知道满足某种准则，迭代停止。我们获得尺度n上的最终分割结果。 5.尺度间迭代。将尺度n的分割结果之间映射到最近的较细尺度n-1上，作为这个尺度的初始分割。重复4，
copula
- 运用MATLAB进行混合copula函数的参数计算，基于em估计(Using MATLAB to calculate the parameters of mixed copula function, based on EM estimation)