高斯混合模型matlab实现

高斯混合模型是一种经典的背景建模模型，已成功运用于工程应用中。在声音相关的领域，也有广泛的应用。

function demo1
%
% Demo of Gaussian Mixture Regression （GMR）. 
% This source code is the implementation of the algorithms described in 
% Section 2.4 p.38 of the book “Robot Programming by Demonstration: A 
% Probabilistic Approach“. 
%
% Author:	Sylvain Calinon 2009
%			http://programming-by-demonstration.org
%
% The program loads a 3D dataset trains a Gaussian Mixture Model 
% （GMM） and retrieves a generalized version of the dataset with associated 
% constraints through Gaussian Mixture Regression （GMR）. Each datapoint 
% has 3 dimensions consisting of 1 temporal value and 2 spatial values 
% （e.g. drawing on a 2D Cartesian plane）. A sequence of temporal values is 
% used as query points to retrieve a sequence of expected spatial 
% distributiuon through Gaussian Mixture Regression （GMR）.
%
% This source code is given for free! However I would be grateful if you refer 
% to the book （or corresponding article） in any academic publication that uses 
% this code or part of it. Here are the corresponding BibTex references: 
%
% @book{Calinon09book
%   author=“S. Calinon“
%   title=“Robot Programming by Demonstration: A Probabilistic Approach“
%   publisher=“EPFL/CRC Press“
%   year=“2009“
%   note=“EPFL Press ISBN 978-2-940222-31-5 CRC Press ISBN 978-1-4398-0867-2“
% }
%
% @article{Calinon07
%   title=“On Learning Representing and Generalizing a Task in a Humanoid Robot“
%   author=“S. Calinon and F. Guenter and A. Billard“
%   journal=“IEEE Transactions on Systems Man and Cybernetics Part B“
%   year=“2007“
%   volume=“37“
%   number=“2“
%   pages=“286--298“
% }

%% Definition of the number of components used in GMM.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
nbStates = 4;

%% Load a dataset consisting of 3 demonstrations of a 2D signal.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
load（‘data/data1.mat‘）; %load ‘Data‘
nbVar = size（Data1）;

%% Training of GMM by EM algorithm initialized by k-means clustering.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
[Priors Mu Sigma] = EM_init_kmeans（Data nbStates）;
[Priors Mu Sigma] = EM（Data Priors Mu Sigma）;

%% Use of GMR to retrieve a generalized version of the data and associated
%% constraints. A sequence of temporal values is used as input and the 
%% expected distribution is retrieved. 
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
expData（1:） = linspace（min（Data（1:）） max（Data（1:）） 100）;
[expData（2:nbVar:） expSigma] = GMR（Priors Mu Sigma  expData（1:） [1] [2:nbVar]）;

%% Plot of the data
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
figure（‘position‘[10101000800]‘name‘‘GMM-GMR-demo1‘）;
%plot 1D
for n=1:nbVar-1
  subplot（3*（nbVar-1）2（n-1）*2+1）; hold on;
  plot（Data（1:） Data（n+1:） ‘x‘ ‘markerSize‘ 4 ‘color‘ [.3 .3 .3]）;
  axis（[min（D

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2009-07-22 17:24  GMM-GMR-v2.0\
     目录           0  2009-04-03 19:32  GMM-GMR-v2.0\data\
     文件        7384  2008-04-18 14:26  GMM-GMR-v2.0\data\data1.mat
     文件        9784  2008-04-18 14:26  GMM-GMR-v2.0\data\data2_a.mat
     文件        1800  2008-04-18 14:26  GMM-GMR-v2.0\data\data2_b.mat
     文件        7392  2008-04-18 14:27  GMM-GMR-v2.0\data\data3_a.mat
     文件        7392  2008-04-18 14:27  GMM-GMR-v2.0\data\data3_b.mat
     文件        4836  2009-07-22 17:29  GMM-GMR-v2.0\demo1.m
     文件        4469  2009-07-22 17:29  GMM-GMR-v2.0\demo2.m
     文件        6157  2009-07-22 17:28  GMM-GMR-v2.0\demo3.m
     文件        5553  2009-07-22 17:29  GMM-GMR-v2.0\EM.m
     文件        1645  2009-07-22 17:25  GMM-GMR-v2.0\EM_init_kmeans.m
     文件         958  2009-07-22 17:25  GMM-GMR-v2.0\gaussPDF.m
     文件        5109  2009-07-22 17:34  GMM-GMR-v2.0\GMR.m
     文件        1985  2009-07-22 17:35  GMM-GMR-v2.0\plotGMM.m
     文件        1336  2009-07-24 15:25  license.txt