gmmsamp.m


function data = gmmsamp(model,num_data)


% GMMSAMP Generates sample from Gaussian mixture model.


% 


% Synopsis:

%  data = gmmsamp(model,num_data)


%


% Description:

%  This function generates num_data samples from a Gaussian 


%  mixture given by structure model. It returnes samples X 


%  and a vector y of Gaussian component responsible for 


%  generating corresponding sample.


%


% Input:

%  model


%   .Mean [dim x ncomp] Mean vectors.


%   .Cov [dim x dim x ncomp] Covariance matrices. In the case of 


%     univariate mixture (dim=0) the variances can enter 


%     as a vector Cov=[var1 var2 ... var_ncomp].


%   .Prior [ncomp x 1] Weighting coefficients of Gaussians.


%  num_data [int] Number of samples.


%


% Output:

%  data.X [dim x num_data] Generated sample data.


%  data.y [1 x num_data] Identifier of Gaussian which generated 


%   given vector.


%


% Example:

%  model = struct('Mean',[-2 3],'Cov',[1 0.5],'Prior',[0.4 0.6]);


%  figure; hold on; 


%  plot([-4:0.1:5], pdfgmm([-4:0.1:5],model),'r');


%  sample = gmmsamp(model,500);


%  [Y,X] = hist(sample.X,10);


%  bar(X,Y/500);


%


% See also
 

%  PDFGMM, GSAMP.


%





% About: Statistical Pattern Recognition Toolbox


% (C) 1999-2003, Written by Vojtech Franc and Vaclav Hlavac


% <a href="http://www.cvut.cz">Czech Technical University Prague</a>


% <a href="http://www.feld.cvut.cz">Faculty of Electrical Engineering</a>


% <a href="http://cmp.felk.cvut.cz">Center for Machine Perception</a>




% Modifications:


% 28-apr-2004, VF





% allow input argument to be cell array


model = c2s( model);





% get dimensions


[dim,ncomp]=size(model.Mean);





% univariate variances can be given as a vector


if size(model.Cov,1) ~= size(model.Cov,2), 


  model.Cov = reshape(model.Cov,1,1,ncomp);


end





% generates randomly Gaussian componenents responsible


% for generation of samples


cump = repmat(cumsum( model.Prior(:) ),1,num_data);


rnd = ones(ncomp,1)*rand(1,num_data);





data.y = ncomp-sum(cump > rnd, 1)+1;


data.X = zeros(dim,num_data);





% generate samples


for i=1:ncomp,


  inx = find(data.y==i);


  data.X(:,inx) = gsamp(model.Mean(:,i),model.Cov(:,:,i),length(inx));


end





return;