Gibt es eine Möglichkeit, eine 3D-Gauß-Verteilung oder eine Gauß-Mischungsverteilung an einen Vektor anzupassen?

Question

Ich habe einen Vektor von Datenpunkten, der eine 3D-Gauß-Verteilung oder eine Gauß-Verteilung zu repräsentieren scheint. Gibt es eine Möglichkeit, eine 3D-Gauss-Verteilung oder eine Gauß-Mischungsverteilung an diese Matrix anzupassen, und wenn ja, gibt es dafür Bibliotheken (z. B. in Python)?

Die Frage nach dem folgenden Zusammenhang scheint, aber ich mag einen 3D-Gaussian, um es passen: Fit multivariate gaussian distribution to a given dataset

Die gezielten Endergebnissen würden wie folgt aussehen (eine einzige Verteilung oder eine Mischung):

Zum Beispiel sehr vereinfacht, meine Datenvektor (von dem das Gaußsche (Mischung) Verteilung gelernt werden sollte) sieht wie folgt aus:

[[0,0,0,0,0,0], [0,1,1,1,1,0], [0,1,2,2,1,0], [1,2,3,3,2,1], [0,1,2,2,1,0], [0,0,0,0,0,0]] 

Answer 1

Ich kann eine Antwort geben, wenn Sie die Anzahl der Gaussianer kennen. Ihr Vektor gibt die Z-Werte in einem Raster von X- und Y-Punkten an. Sie können X- und Y-Vektoren machen:

import numpy as np 
num_x, num_y = np.shape(z) 
xx = np.outer(np.ones(num_x), np.arange(num_y)) 
yy = np.outer(np.arange(num_x), np.ones(num_y)) 

Dann jede Routine Anpassungsprozedur folgen, zum Beispiel 2D Gaussian Fit for intensities at certain coordinates in Python.

Answer 2

Es gibt so genannte Gaussian Mixture Models (GMM), mit viel Literatur dahinter. Und es gibt Code Python Probenahme zu tun, Parameterschätzung usw., nicht sicher, ob es Ihren Bedürfnissen passt

http://scikit-learn.org/stable/modules/generated/sklearn.mixture.GMM.html

Haftungsausschluss: verwendet scikit, aber nie verwendet GMM