如今，许多产品开发项目因无法达到系统要求而无法满足客户的期望，因为产品开发过程非常不系统地进行，并导致资源浪费。 客户需求和满意度度量是一项主要挑战，可以通过多种方法来实现。 本文提出了基于人机工程学和用户需求的层次分析法（AHP），Kano模型和质量函数展开方法，以改进孟加拉国拖拉机驾驶员的拖拉机座椅设计。 已对50名拖拉机驾驶员进行了调查，以确定当前座椅的问题。 通过分析数据，可以确定客户需求并使用AHP对其进行排名。 以此开发了卡诺问卷，并得到了50位拖拉机驾驶员的回答。 此后，通过集成Kano模型，进行了QFD处理以确定客户需求权重和技术需求权重，以开发改进的设计。 在研究结束时，发现这两种方法都能够优先考虑要在新的符合人体工程学设计的拖拉机座椅上实施的改装元件。 仍然有一些限制。 分析是基于50位拖拉机驾驶员进行的。 为了获得更正确的结果，可以考虑使用50个以上的驱动程序。
2021-08-05 17:34:01
599KB
1
Matlab source code for EM algorithm
EM algorithm for k multidimensional Gaussian mixture estimation
% (EM_GM_fast is the modified version of EM_GM for speed enchancement.
% The functionalities of EM_GM_fast and EM_GM are identical.)
2021-07-12 21:32:19
9KB
1
文章的目录
一、最大期望算法简介
二、相关知识
2.1贝叶斯
2.2最大似然估计
2.3Jensen不等式
2.4高斯分布
三、EM算法
3.1实例理解
3.2EM算法求解步骤
3.3EM算法推导
3.4EM算法_python
2021-07-08 17:21:14
2.57MB
1
期望最大化算法(Expectation-maximization algorithm)是机器学习中一个非常重要的算法，又称作 EM 算法。EM算法是由Dempster等人1977年提出的统计模型参数估计的一种算法。它采用的迭代交替搜索方式可以简单有效的求解最大似然函数估计问题。已知的概率模型内部存在隐含的变量，导致了不能直接用极大似然法来估计参数，EM算法就是通过迭代逼近的方式用实际的值带入求解模型内部参数的算法。它在当代的工业、商业和科学研究领域发挥了重要的作用。
2021-06-15 13:54:58
100KB
1
在“使用最大化-最大化算法快速逼近变分贝叶斯狄利克雷过程混合”中 Dirichlet 过程高斯混合（算法 1）的变分推理的实现， https://doi.org/10.1016/j.ijar.2017.11.001 1) 计算共轭先验的期望2）然后更新他们的超参数
2021-05-29 21:02:57
4KB
1
em算法matlab代码EM集群
该代码在Matlab中实现了期望最大化算法
使用EM_main.m运行EM代码
可以通过“
cluster_data”变量提供用户群集数据，也可以使用代码中提供的综合数据进行测试。
使用变量“中心”（Centers）更改要分类为数据的中心的数量。
绘制标准pdf等值线所需的代码是从以下代码中借来的
2021-05-26 18:03:09
7KB
1