机器学习—聚类降维

机器学习—Kmeans

聚类属于无监督学习,朴素贝叶斯、SVM等都是有类别标签y的,即已经给出了样本的分类

1. 随机给K个聚类质心 v
2. 重复下面过程直到收敛
2.1对于每一个样例i,计算其应该属于的类 
隶属度 :zi=argmin||xi−μj||^2
求距离近的
2.2 
聚类中心 u=

其聚类精度明显优于传统的随机选择种子的方法,且计算速度也比较快。而对于更大型的数据集,kmeans++需要进一步扩展,才能获取更好的表现,即kmeans是高度可扩展的。

机器学习—GMM

常用作聚类,可以运动目标检测。

高斯混合模型(Gaussian Mixed Model)指的是多个高斯分布函数的线性组合,理论上GMM可以拟合出任意类型的分布,通常用于解决同一集合下的数据包含多个不同的分布的情况(或者是同一类分布但参数不一样,或者是不同类型的分布,比如正态分布和伯努利分布)

//  基于混合高斯模型的运动目标检测
//  Author: http://blog.csdn.net/icvpr  
 
 
#include <iostream>
#include <string>
 
#include <opencv2/opencv.hpp>
 
 
int main(int argc, char** argv)
{
    std::string videoFile = "../test.avi";
 
    cv::VideoCapture capture;
    capture.open(videoFile);
 
    if (!capture.isOpened())
    {
        std::cout<<"read video failure"<<std::endl;
        return -1;
    }
 
 
    cv::BackgroundSubtractorMOG2 mog;
 
    cv::Mat foreground;
    cv::Mat background;
 
    cv::Mat frame;
    long frameNo = 0;
    while (capture.read(frame))
    {
        ++frameNo;
 
        std::cout<<frameNo<<std::endl;
 
        // 运动前景检测,并更新背景
        mog(frame, foreground, 0.001);     
    
        // 腐蚀
        cv::erode(foreground, foreground, cv::Mat());
    
        // 膨胀
        cv::dilate(foreground, foreground, cv::Mat());
 
        mog.getBackgroundImage(background);   // 返回当前背景图像
 
        cv::imshow("video", foreground);
        cv::imshow("background", background);
 
 
        if (cv::waitKey(25) > 0)
        {
            break;
        }
    }

 
 
    return 0;
}

EM算法:

第一步先求出要估计参数的粗略值。
第二步使用第一步的值最大化似然函数。因此要先求出GMM的似然函数。

最后修改:2020 年 07 月 29 日 09 : 02 PM
如果觉得我的文章对你有用,请随意赞赏