GMM代码用于目标检测

function [net options] = glmtrain（net options x t）
%GLMTRAIN Specialised training of generalized linear model
%
%	Description
%	NET = GLMTRAIN（NET OPTIONS X T） uses the iterative reweighted
%	least squares （IRLS） algorithm to set the weights in the generalized
%	linear model structure NET.  This is a more efficient alternative to
%	using GLMERR and GLMGRAD and a non-linear optimisation routine
%	through NETOPT. Note that for linear outputs a single pass through
%	the  algorithm is all that is required since the error function is
%	quadratic in the weights.  The error function value at the final set
%	of weights is returned in OPTIONS（8）. Each row of X corresponds to
%	one input vector and each row of T corresponds to one target vector.
%
%	The optional parameters have the following interpretations.
%
%	OPTIONS（1） is set to 1 to display error values during training. If
%	OPTIONS（1） is set to 0 then only warning messages are displayed.  If
%	OPTIONS（1） is -1 then nothing is displayed.
%
%	OPTIONS（2） is a measure of the precision required for the value of
%	the weights W at the solution.
%
%	OPTIONS（3） is a measure of the precision required of the objective
%	function at the solution.  Both this and the previous condition must
%	be satisfied for termination.
%
%	OPTIONS（5） is set to 1 if an approximation to the Hessian （which
%	assumes that all outputs are independent） is used for softmax
%	outputs. With the default value of 0 the exact Hessian （which is more
%	expensive to compute） is used.
%
%	OPTIONS（14） is the maximum number of iterations for the IRLS
%	algorithm;  default 100.
%
%	See also
%	GLM GLMERR GLMGRAD
%

%	Copyright （c） Ian T Nabney （1996-2001）

% Check arguments for consistency
errstring = consist（net ‘glm‘ x t）;
if ~errstring
  error（errstring）;
end

if（~options（14））
  options（14） = 100;
end

display = options（1）;
% Do we need to test for termination?
test = （options（2） | options（3））;

ndata = size（x 1）;
% Add a column of ones for the bias 
inputs = [x ones（ndata 1）];

% Linear outputs are a special case as they can be found in one step
if strcmp（net.outfn ‘linear‘）
  if ~isfield（net ‘alpha‘）
    % Solve for the weights and biases using left matrix divide
    temp = inputs\t;
  elseif size（net.alpha == [1 1]）
    % Use normal form equation
    hessian = inputs‘*inputs + net.alpha*eye（net.nin+1）;
    temp = pinv（hessian）*（inputs‘*t）;  
  else
    error（‘Only scalar alpha allowed‘）;
  end
  net.w1 = temp（1:net.nin :）;
  net.b1 = temp（net.nin+1 :）;
  % Store error value in options vector
  options（8） = glmerr（net x t）;
  return;
end

% Otherwise need to use iterative reweighted least squares
e = ones（1 net.nin+1）;
for n = 1:options（14）

  switch net.outfn
    case ‘lo