改题目：继续问高手G-MRF模型，哭哭哭，看不懂

不明白。 【 在 beast (beast) 的大作中提到: 】 : 用来做图像分割 : 但是怎么也搞不明白这个混合高斯模型是怎么建立起来的 : 概率论没学好 : ...................

【 在 gootyking 的大作中提到: 】 : 不明白。 http://islab.ee.fju.edu.tw/LabIntro/PersonalWeb/LiaoLiWei/ch6.htm 看看这个链接是什么意思 很多公式跟以前学的概率论里的都对应不上 真是白选了

其实本质意思就是说任何一个分布都可以用多个高斯分布来近似（如同函数的傅里叶展开）。 例如背景建模每个像素点中用3个高斯来近似图像背景等。 这篇文章是高斯背景建模比较经典的。看看吧。 Adaptive background mixture models for real-time tracking

【 在 bebekifis 的大作中提到: 】 : 其实本质意思就是说任何一个分布都可以用多个高斯分布来近似（如同函数的傅里叶展开）。 : 例如背景建模每个像素点中用3个高斯来近似图像背景等。 : 这篇文章是高斯背景建模比较经典的。看看吧。 : ................... 谢了 我看了两天还是不明白 里面的公式都不知道怎么来的

1. build Predictive distribution Absence of exact information, mean value could be used as the expected value of missing variable. 2. Solve the Estimation equation, usual parameter estimation method, like ML

赞师兄 【 在 cryppie (蛋白质有机牛) 的大作中提到: 】 : 1. build Predictive distribution : 2. Solve the Estimation equation

【 在 cryppie 的大作中提到: 】 : 1. build Predictive distribution : Absence of exact information, mean value could be used as the expected value of missing variable. : 2. Solve the Estimation equation, usual parameter estimation method, like ML 怎么也不明白这个模型是怎么建起来的

高斯混合模型GMM就是对N个高斯模型的加权和，用来模拟任意分布；模型的加权系数、均值、方差等参数用EM算法来逐次更新，EM算法需要一定的指导原则，可以是ML、MAP等等。 以上是我的浅显理解，具体细节正在学习中…… 【 在 beast (beast) 的大作中提到: 】 : 用来做图像分割 : 但是怎么也搞不明白这个混合高斯模型是怎么建立起来的 : 概率论没学好 : ...................

不懂高斯混合模型，不过用过EM。以下是一点个人的拙见。 EM 算法全称是 Expectation Maximization。 EM算法是一类称为lower bound的算法中的一种。 比如说要求最值的函数为P(x),则需要构造一个Q(x)严格小于P(x)的函数Q(x),其中Q(x）可以通过拉葛朗日乘法，一步求出最值。 在EM算法中，与牛顿下山法不同。在迭代过程中，在E-step构造Q(x),在M-step中，求出Q(x)的最值，然后，反复迭代，最后收敛后，就是P(x)的最值。 该算法的好坏，取决于Q(x)的好坏，如果Q(x)=P(x)的话，可以一步求出最值。通常情况下，P(x)是无法通过拉葛朗日乘法，求得最值的。 在实际计算中，对于精确到小数点后4位的话，可以在5-10步内收敛，该算法的好坏严重取决于Q(x)的构造。