二、高斯-3/模型(GMM)在了解高斯-3/模型之前，我们先了解一下这个模型的具体参数模型高斯分布。-1建模已经实现，opencv target 检测正在使用，主要包括以下方法-3建模，高斯进程回归和高斯 混合如何融合回归1，用探地雷达和GMMR的预测结果进行加权平均，得到最终的预测结果。
GMM型号是高斯 混合型号。GMM(GaussianMixtureModel)，高斯混合model(或混合高斯model)也可缩写为MOG(MixtureofGaussian)。高斯模型是用高斯概率密度函数(正态分布曲线)对事物进行精确量化，并基于高斯概率密度函数(正态分布曲线)将一个事物分解成若干个模型的模型。混合 高斯模型K(基本上是3到5) 高斯模型用来刻画图像中每个像素的特征。
将当前图像中的每个像素点与混合 高斯模型进行匹配。如果成功，则判断为背景点，否则为前景点。纵观整个高斯模型，主要由方差和均值两个参数决定。不同的均值和方差学习机制将直接影响模型的稳定性、准确性和收敛性。因为我们提取的是运动目标的背景建模，所以需要实时更新高斯模型中的方差和均值。
聚类或聚类分析是一个无监督的学习问题。它通常被用作数据分析技术，以发现数据中有趣的模式，如基于行为的客户群。有许多聚类算法可供选择，而且没有一种单一的最佳聚类算法适用于所有情况。相反，最好探索一系列的聚类算法以及每个算法的不同配置。在本教程中，您将了解如何在python中安装和使用顶级聚类算法。完成本教程后，你会知道聚类分析，即聚类，是一种无监督的机器学习任务。
与监督学习(类似于prediction 建模)不同，聚类算法只对输入数据进行解释，在特征空间中寻找自然的组或簇。聚类通常是特征空间中的密集区域，其中来自某个域的示例(观察值或数据行)比其他聚类更接近该聚类。聚类可以具有作为样本或点特征空间的中心(质心),并且可以具有边界或范围。聚类可以作为一种数据分析活动来了解问题域的更多信息，这被称为模式发现或知识发现。
