二分类GMM模型matlab代码

以下是一个简单的二分类GMM模型的MATLAB代码示例：

% 生成样本数据
N1 = 500;
N2 = 500;
D = 2;
X1 = randn(N1,D);
X2 = randn(N2,D)*0.8+ones(N2,1)*[4 4];

% 合并样本数据
X = [X1;X2];

% 初始化GMM参数
K = 2;
mu = [1 1;3 3];
Sigma(:,:,1) = [1 0;0 1];
Sigma(:,:,2) = [1 0;0 1];
w = [0.5 0.5];

% 迭代更新GMM参数
maxIter = 50;
for iter = 1:maxIter
    % E步骤
    for k = 1:K
        p(:,k) = w(k)*mvnpdf(X,mu(k,:),Sigma(:,:,k));
    end
    p = p./sum(p,2);
    
    % M步骤
    for k = 1:K
        Nk = sum(p(:,k));
        mu(k,:) = sum(repmat(p(:,k),1,D).*X,1)/Nk;
        Sigma(:,:,k) = (X-repmat(mu(k,:),N1+N2,1))'*...
            (repmat(p(:,k),1,D).*(X-repmat(mu(k,:),N1+N2,1)))/Nk;
        w(k) = Nk/(N1+N2);
    end
end

% 根据GMM模型进行分类
class = zeros(N1+N2,1);
for i = 1:N1+N2
    [~,class(i)] = max(p(i,:));
end

% 绘制结果
figure;
plot(X(class==1,1),X(class==1,2),'b.');
hold on;
plot(X(class==2,1),X(class==2,2),'r.');
title('GMM classification');

这段代码生成了两个高斯分布的样本数据，然后使用GMM模型对数据进行分类。其中，E步骤使用了多元高斯分布的概率密度函数来计算样本点属于不同类别的概率，M步骤根据样本点的概率计算新的GMM参数。最后，根据GMM模型的结果对样本数据进行分类，并绘制出分类结果。