發(fā)布時(shí)間：2018-03-29 04:06

  本文選題：EM算法　切入點(diǎn)：魯棒　出處：《計(jì)算機(jī)應(yīng)用研究》2017年04期

【摘要】：針對傳統(tǒng)魯棒高斯混合模型EM算法存在模型成分參數(shù)難以精確獲取最優(yōu)解以及收斂速度隨樣本數(shù)量的增加而快速降低等問題,提出了一種基于魯棒高斯混合模型的加速EM算法。該算法采用隱含參量信息熵原理對高斯模型分量個(gè)數(shù)進(jìn)行挑選,以及使用Aitken加速方法減少算法的迭代次數(shù),當(dāng)接近最優(yōu)解時(shí),EM步長的變化極為緩慢,這時(shí)使用Broyden對稱秩1校正公式進(jìn)行校正,使算法快速收斂,從而能夠在很少的迭代次數(shù)內(nèi)精確獲取高斯混合模型的模型成分?jǐn)?shù)。該算法通過與傳統(tǒng)魯棒EM算法和無監(jiān)督的EM算法的聚類結(jié)果進(jìn)行比較,實(shí)驗(yàn)證明該算法對初始值的設(shè)定并不敏感(成分?jǐn)?shù)c無須預(yù)先設(shè)定),并且能夠降低算法運(yùn)算時(shí)間,提高聚類模型成分?jǐn)?shù)(類簇)的正確率。
[Abstract]:In view of the traditional EM algorithm with robust Gao Si mixed model, it is difficult to obtain the optimal solution accurately by the component parameters of the model and the convergence rate decreases rapidly with the increase of the sample number. In this paper, an accelerated EM algorithm based on robust Gao Si mixed model is proposed, which adopts the principle of implicit parameter information entropy to select the number of components of Gao Si model, and uses Aitken acceleration method to reduce the number of iterations of the algorithm. When approaching the optimal solution, the change of EM step size is very slow, then the Broyden symmetric rank 1 correction formula is used to correct the algorithm, which makes the algorithm converge quickly. Thus the model of Gao Si hybrid model can be accurately obtained in a few iterations. The algorithm is compared with the clustering results of the traditional robust EM algorithm and the unsupervised EM algorithm. The experimental results show that the algorithm is not sensitive to the initial value setting (the fractional c does not need to be set in advance), and it can reduce the computation time and improve the accuracy of clustering model into fractions (clusters).
【作者單位】： 遼寧工程技術(shù)大學(xué)電子與信息工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61402212) 遼寧省高等學(xué)校杰出青年學(xué)者成長計(jì)劃資助項(xiàng)目(LJQ2015045) 遼寧省自然科學(xué)基金資助項(xiàng)目(2015020098) 遼寧省教育廳一般資助項(xiàng)目(L2013131)
【分類號(hào)】：TP301.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張敏,趙猛,賈云得,王俊;基于自適應(yīng)高斯混合模型的圖像穩(wěn)定方法[J];北京理工大學(xué)學(xué)報(bào);2004年10期

2 趙征鵬,楊鑒;基于高斯混合模型的非母語說話人口音識(shí)別[J];計(jì)算機(jī)工程;2005年06期

3 侯建華;熊承義;田金文;柳健;;圖像小波系數(shù)的高斯混合模型研究[J];計(jì)算機(jī)應(yīng)用;2006年03期

4 顧明亮;馬勇;;基于高斯混合模型的漢語方言辨識(shí)系統(tǒng)[J];計(jì)算機(jī)工程與應(yīng)用;2007年03期

5 袁禮海;李釗;宋建社;;利用高斯混合模型實(shí)現(xiàn)概率密度函數(shù)逼近[J];無線電通信技術(shù);2007年02期

6 張超瓊;苗奪謙;岳曉冬;;基于高斯混合模型的語音性別識(shí)別[J];計(jì)算機(jī)應(yīng)用;2008年S2期

7 許曉東;熊衛(wèi)斌;朱士瑞;;基于高斯混合模型的流量矩陣估算研究[J];計(jì)算機(jī)工程;2009年14期

8 王岐學(xué);錢盛友;趙新民;;基于差分特征和高斯混合模型的湖南方言識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2009年35期

9 韓曉峰;;基于自回歸的高斯混合模型[J];科技風(fēng);2009年23期

10 馬超;張政石;;基于二維高斯混合模型的駕駛行為分析[J];硅谷;2011年05期

相關(guān)會(huì)議論文 前10條

1 駱俊;馬盡文;;高斯混合模型的遺傳分基融合算法[A];第十二屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

2 廖頻;沈理;;基于高斯混合模型的人臉圖象識(shí)別研究[A];2001年中國智能自動(dòng)化會(huì)議論文集（上冊）[C];2001年

3 馬盡文;何學(xué)鋒;;高斯混合模型的數(shù)據(jù)尺度可壓縮參數(shù)學(xué)習(xí)算法[A];第十四屆全國信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

4 瞿俊;姜青山;董槐林;;基于高斯混合模型的層次聚類算法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

5 蔡念;郭文婷;陳世文;潘晴;;融合高斯混合模型和小波變換的運(yùn)動(dòng)目標(biāo)檢測[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

6 龍艷花;郭武;戴禮榮;;一種應(yīng)用于SVM說話者確認(rèn)系統(tǒng)的新型序列核[A];第九屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];2007年

7 劉李漫;陶文兵;田金文;;融合多高斯混合模型與Graph Cuts優(yōu)化技術(shù)的目標(biāo)自動(dòng)檢測方法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

8 康永國;雙志偉;陶建華;張維;徐波;;高斯混合模型和碼本映射相結(jié)合的語音轉(zhuǎn)換算法[A];第八屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];2005年

9 應(yīng)冬文;顏永紅;付強(qiáng);國雁萌;;基于約束高斯混合模型的噪聲功率譜估計(jì)[A];2010年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

10 唐英干;劉東;關(guān)新平;;基于高斯混合模型的多分辨率圖像分割[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

相關(guān)博士學(xué)位論文 前6條

1 王益文;復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)影響力模型及其應(yīng)用[D];浙江大學(xué);2015年

2 羅林;基于數(shù)據(jù)驅(qū)動(dòng)的非線性過程故障診斷若干問題研究[D];浙江大學(xué);2015年

3 陳雪峰;圖像高斯混合模型的判別學(xué)習(xí)方法[D];北京理工大學(xué);2009年

4 賴裕平;非高斯混合模型的變分學(xué)習(xí)算法研究[D];北京郵電大學(xué);2014年

5 劉輝;miRNA靶標(biāo)預(yù)測的系統(tǒng)生物學(xué)方法研究[D];中國礦業(yè)大學(xué);2009年

6 陶建斌;貝葉斯網(wǎng)絡(luò)模型在遙感影像分類中的應(yīng)用方法研究[D];武漢大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 范苗;基于高斯混合模型的時(shí)變過程軟測量建模[D];浙江大學(xué);2015年

2 許莉薇;基于高斯混合模型林業(yè)信息文本分類的技術(shù)研究[D];東北林業(yè)大學(xué);2015年

3 車瀅霞;約束條件下的結(jié)構(gòu)化統(tǒng)計(jì)聲學(xué)模型及非平行語料語音轉(zhuǎn)換[D];蘇州大學(xué);2015年

4 張曉紅;基于候選生成的貓臉檢測[D];哈爾濱工業(yè)大學(xué);2015年

5 付娜;基于視頻的運(yùn)動(dòng)人體行為捕捉算法研究[D];北京理工大學(xué);2015年

6 王炳輝;基于層次貝葉斯自適應(yīng)稀疏的高斯混合模型[D];大連理工大學(xué);2015年

7 邱藤;基于高斯混合模型的EM算法及其應(yīng)用研究[D];電子科技大學(xué);2015年

8 張小林;基于高斯混合模型和非負(fù)矩陣分解的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測[D];西安電子科技大學(xué);2014年

9 姚紹芹;基于聲道譜參數(shù)的語音轉(zhuǎn)換算法研究[D];南京郵電大學(xué);2015年

10 閆昊;基于高斯混合模型的文本無關(guān)說話人年齡識(shí)別[D];蘇州大學(xué);2015年

，

本文編號(hào)：1679466