- 1、本文档共5页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
EM 算法基本思想简介
Jianxin Wu
1. 为什么写这个简介
EM (Expectation Maximization )算法是参数估计的重要方法,不过这个算法是
比较难理解的,尤其对初学者来说。前几天听老板上Computational Perception 的课
程,感觉老板对EM 的介绍很好,就复印了同学的笔记,然后整理一下,记录下
来。由于是在讲课,所以老板对EM 的讲解以介绍基本思想为主,重点是让人容易
理解,而不是数学上的严格性。希望这个简介可以帮助一些初学者了解EM 的基本
思想。
已经有一些经典的书籍或者 对 进行介绍,比如 的 书
tutorial EM Bishop NNPR
和Bilmes 的tutorial 。本文就是从老板授课的笔记和这些资料稍加整理。所有的荣
誉都归于他们☺
2. Mixture of Gaussian: an example
上图是一个Mixture of Gaussian 的例子,蓝色和红色的曲线分别是两个高斯分
布N(10,4) ,N(30,7) (实际显示的是0.2N(10,4)和0.8N(30,7) ),黑色的曲线则
是他们的和0.2N(10,4)+0.8N(30,7) 。
一个Mixture of Gaussian 的普遍形式是:
N
p (x ) = ∑α N (x ;µ ,Σ ) (1)
i i i
i=1
N
N x µ Σ 为多维正态分布,α ≥ 0 , 。
C 其中 ( ; i , i ) i ∑α i = 1
i=1
可以用如左图所示的Bayesian Network 来理解Mixture Of Gaussian 。图
中的X 满足分布(1),由N 个多维正态分布组成。C 是一个隐含变量,指
出 X 具体由那个正态分布生成。
C 是一个离散的随机变量,其分布为[α ,α , …,α ] ,即P (C = i) = α ,
1 2 N i
X 表示 由第 个正态分布生成的先验概率 为α 。
x i (prior probability) i
当 由第 个正态分布生成时,其概率密度函数(probability density
文档评论(0)