訓練gmm引數：
options=statset('maxiter',1000);
gmm = gmdistribution.fit(feature,k,'covtype','diagonal','regularize',1e-10,'options',options);
k：聚類的總類別數
covtype：設定協方差矩陣的型別
regularize：防止協方差矩陣出現奇異矩陣，在協方差矩陣的對角上加乙個很小的值
options：gmm模型的各種手動引數
用訓練好的gmm模型實現聚類：
result = posterior(gmm, feature) # 計算後驗概率，即每個特徵向量屬於每一類聚類的概率矩陣高斯混合模型
本文就高斯混合模型 gmm,gaussian mixture model 引數如何確立這個問題，詳細講解期望最大化 em,expectation maximization 演算法的實施過程。多維變數x服從高斯分布時，它的概率密度函式pdf為 x是維度為d的列向量，u是模型期望，是模型方差。在實際應用...
高斯混合模型
高斯混合模型 本文就高斯混合模型 gmm,gaussian mixture model 引數如何確立這個問題，詳細講解期望最大化 em,expectation maximization 演算法的實施過程。多維變數x服從高斯分布時，它的概率密度函式pdf為 x是維度為d的列向量，u是模型期望，是模型方...
高斯混合模型
本文就高斯混合模型 gmm,gaussian mixture model 引數如何確立這個問題，詳細講解期望最大化 em,expectation maximization 演算法的實施過程。多維變數x服從高斯分布時，它的概率密度函式pdf為 x是維度為d的列向量，u是模型期望，是模型方差。在實際應用...