Mô hình Gaussian hỗn hợp
Bài viết này là một bài mồ côi vì không có bài viết khác liên kết đến nó. Vui lòng tạo liên kết đến bài này từ các bài viết liên quan; có thể thử dùng công cụ tìm liên kết. (tháng 7 2018) |
Bài viết này không có hoặc có quá ít liên kết đến các bài viết Wikipedia khác. (tháng 11 năm 2016) |
Bài viết hoặc đoạn này cần được wiki hóa để đáp ứng tiêu chuẩn quy cách định dạng và văn phong của Wikipedia. |
Bài này không có nguồn tham khảo nào. |
Mô hình Gaussian hỗn hợp (Gaussian Mixture Model - GMM) là một hàm tham số mật độ xác suất được biểu diễn như là một tổng trọng số của các mật độ Gaussian thành phần. GMM được sử dụng rộng rãi như là một mô hình tham số của phân phối xác suất của các phép đo liên tục hay tính năng trong một hệ thống sinh trắc học. Các tham số GMM được đánh giá từ việc huấn luyện dữ liệu sử dụng thuật toán lặp cực đại hóa kỳ vọng (Expectation Maximization – EM) hoặc tối đa hậu nghiệm (Maximum A Posteriori – MAP) Một mô hình GMM là tổng thành phần của k thành phần mật độ Gaussian được cho bởi công thức sau:
f(x)= ∑_(i=1)^k▒〖p_i N(x|μ_i σ_i^2)〗
Trong đó: K: Số vùng, số thành phần Pi: Trọng số với ∑_(i=1)^k▒〖p_i=1〗
Mỗi thành phần mật độ là một hàm Gaussian:
N(x│μ_i σ_i^2)=1/(σ√2π) exp((-x〖(x-μ_i)〗^2)/(2σ_i^2)),
μ_i,σ_i^2 là trung bình và độ lệch chuẩn của lớp thứ i.