少有人走的路create_class_gmm（运算符）
名称
create_class_gmm —创建用于分类的高斯混合模型
签名
create_class_gmm（：：：NumDim，NumClasses，NumCenters，CovarType，Preprocessing，NumComponents，RandSeed：GMMHandle）
描述
create_class_gmm创建用于分类的高斯混合模型（GMM）。 NumDim指定要素空间的维数， NumClasses指定类的数量。GMM由每个类的NumCenters高斯中心组成。 NumCenters不仅可以是要使用的确切中心数目，而且可以根据参数的数目指定中心数目的上限和下限：
正好一个参数：
该参数确定将用于所有类的中心的确切数量。
正好两个参数：
第一个参数确定最少的中心数量，第二个参数确定所有类别的最大中心数量。
确切的参数：
或者，每个第一个参数确定每个类的最小中心数，每个第二个参数确定每个类的最大中心数。
当指定了上限和下限时，将借助最小消息长度标准（MML）确定最佳中心数。通常，我们建议以（太多）最多的中心和最少的预期中心数开始培训。
每个中心都由参数center ，协方差矩阵和混合系数来描述。这些参数是通过期望最大化（EM）算法从训练数据中计算得出的。如果使用了足够的中心，则GMM可以近似任意概率密度。协方差矩阵 的尺寸为NumDim x NumDim（如果使用预处理，则为NumComponents x NumComponents），并且是对称的。进一步的约束可以由CovarType给出 ：
对于CovarType = 'spherical'，是单位矩阵的标量倍数。中心密度函数p（x | j）为
对于CovarType = 'diag'， 是对角矩阵。中心密度函数p（x | j）为
对于CovarType = 'full'， 为正定矩阵。中心密度函数p（x | j）为
计算的复杂度从CovarType = '球面'超过CovarType = 'diag' 到CovarType = '满'。同时，中心的灵活性增加了。因此，一般而言， “球形”对于NumCenter所需的值要 大于“完整”值。
使用GMM的过程如下：首先，由create_class_gmm创建一个GMM 。然后，通过add_sample_class_gmm添加训练向量 ，然后可以使用write_samples_class_gmm将它们写入磁盘。使用train_class_gmm 确定分类器中心参数（如上定义）。此外，可以使用write_class_gmm保存它们，以供以后分类。
根据混合概率和中心密度函数p（x | j），可以通过以下公式计算概率密度函数p（x）：
概率密度函数p（x）可以针对特征向量x用valuate_class_gmm进行评估。classify_class_gmm对p（x）进行排序，因此发现了特征向量中最可能的类。
参数Preprocessing和NumComponents可用于预处理训练数据并减小其尺寸。这些参数在操作符create_class_mlp的描述中进行了说明 。
create_class_gmm用随机数初始化中心的坐标。为确保使用train_class_gmm训练分类器的结果可再现，将随机数生成器的种子值传递 给RandSeed。
并行化
多线程类型：可重入（与非排他运算符并行运行）。
多线程作用域：全局（可以从任何线程调用）。
未经并行处理。
该运算符返回一个句柄。请注意，此句柄类型的实例的状态可以由特定的运算符更改，即使这些运算符将句柄用作输入参数也是如此。
参量
特征空间的维数。
默认值： 3
建议值： 1、2、3、4、5、8、10、15、20、30、40、50、60、70、80、90、100
限制：NumDim> = 1
用于转换特征向量的预处理类型。
默认值： “规范化”
值列表：“ canonical_variates”，“ none”，“ normalization”，“ principal_components”
预处理参数：变换后的特征数量（对于Preprocessing = 'none'和Preprocessing = 'normalization'忽略）。
默认值： 10
建议值： 1、2、3、4、5、8、10、15、20、30、40、50、60、70、80、90、100
限制：NumComponents> = 1
GMM手柄。
示例（HDevelop）
*高斯混合模型分类create_class_gmm（NumDim，NumClasses，[1,5]，“完整”，“无”，\ NumComponents，42，GMMHandle）*添加训练数据对于J：= 0到NumData-1乘1 *功能：= [...] * ClassID：= [...] add_sample_class_gmm（GMMHandle，功能，ClassID，随机化）Endfor*训练GMMtrain_class_gmm（GMMHandle，100，0.001，'training'，0.0001，Centers，Iter）*在“功能”中对未知数据进行分类classify_class_gmm（GMMHandle，功能，1，ID，概率，密度，KSigmaProb）clear_class_gmm（GMMHandle）
结果
如果参数有效，则运算符create_class_gmm 返回值2（H_MSG_TRUE）。如有必要，将引发异常。
可能的继任者
add_sample_class_gmm， add_samples_image_class_gmm
备择方案
create_class_mlp， create_class_svm， create_class_box
也可以看看
clear_class_gmm， train_class_gmm， classify_class_gmm， evaluate_class_gmm， classify_image_class_gmm
参考文献
Christopher M. Bishop：“用于模式识别的神经网络”；牛津大学出版社，牛津；1995年
。Mario AT Figueiredo：“有限混合模型的无监督学习”；IEEE Transactions on Pattern Analysis and Machine Intelligence，第一卷。24，第3号；2002年3月。
