本文關(guān)鍵詞：一類混合高斯模型參數(shù)的優(yōu)化估計(jì)

  更多相關(guān)文章： 混合高斯模型 優(yōu)化估計(jì) EM算法 遺傳算法 粒子群算法

【摘要】：有限混合模型是用于分析復(fù)雜問(wèn)題的一個(gè)有效的建模工具。在諸多的混合模型中,混合高斯模型的應(yīng)用更為廣泛,尤其是在圖像處理、人臉識(shí)別、通信和信號(hào)處理等。理論及數(shù)值試驗(yàn)充分證明：混合高斯分布模型能夠逼近任何一個(gè)光滑分布,而對(duì)該模型參數(shù)的有效估計(jì)是準(zhǔn)確分析、模擬復(fù)雜問(wèn)題的必要前提。 最常用的點(diǎn)估計(jì)是矩估計(jì)和極大似然估計(jì)。在混合高斯模型的研究中,最初是用矩估計(jì)法解決兩分支的混合高斯模型參數(shù)估計(jì)。對(duì)兩分支以上的混合模型而言,矩估計(jì)法難以得到滿意的解決方法。而極大似然估計(jì)可以對(duì)多分支混合高斯模型的參數(shù)作出估計(jì),EM算法是求解極大似然估計(jì)的常用方法。 EM算法自從提出,就已成為一種非常流行地處理不完全數(shù)據(jù)的極大似然估計(jì)的方法。恰好我們經(jīng)常處理的樣本數(shù)據(jù)集通�？煽醋魇遣煌耆珨�(shù)據(jù),進(jìn)而EM算法就為混合高斯模型的參數(shù)估計(jì)提供了一種標(biāo)準(zhǔn)框架。但是EM算法是一種容易陷入局部最優(yōu)值的迭代算法,收斂速度慢,對(duì)初始值依賴性較強(qiáng),使得最后的參數(shù)估計(jì)結(jié)果不精確。為了能夠得到混合高斯模型參數(shù)的優(yōu)化估計(jì),本文將具有全局收斂性能的遺傳算法和粒子群算法結(jié)合于EM算法框架中來(lái)克服EM算法自身的缺點(diǎn)。遺傳算法具有很強(qiáng)的全局搜索能力,但是由于其在初始值設(shè)定以及變異等操作中的隨機(jī)性,使得搜索結(jié)果會(huì)受到一些隨機(jī)因素的影響。因此本文首先將粒子群算法應(yīng)用于遺傳算法的初始種群選取以及變異操作上來(lái)改進(jìn)遺傳算法,將改進(jìn)的遺傳算法與EM算法框架結(jié)合。一方面降低了EM算法對(duì)初始值的依賴性,另一方面也有效地提高了收斂速度及混合高斯模型參數(shù)估計(jì)值的精度。通常我們都是在混合分支數(shù)已知的情況下對(duì)各分支參數(shù)進(jìn)行估計(jì),但是對(duì)大多數(shù)復(fù)雜問(wèn)題的模擬中,混合高斯模型都是分支數(shù)未知的。為了得到合理的分支數(shù),本文將最小信息長(zhǎng)度準(zhǔn)則框架與改進(jìn)的EM算法(PSOGA-EM算法)結(jié)合。不僅優(yōu)化了各分支的參數(shù)估計(jì)結(jié)果,同時(shí)也比較準(zhǔn)確地估計(jì)出了混合高斯模型的分支數(shù),最后通過(guò)兩組數(shù)值試驗(yàn)證實(shí)了本文所提方法的可行性和穩(wěn)定性。
【關(guān)鍵詞】：混合高斯模型 優(yōu)化估計(jì) EM算法 遺傳算法 粒子群算法
【學(xué)位授予單位】：西南石油大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：O212.1;TP18
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 緒論8-13
• 1.1 研究背景8-10
• 1.2 國(guó)內(nèi)外研究動(dòng)態(tài)10-11
• 1.3 本文的研究目的及意義11-12
• 1.4 本文的主要研究?jī)?nèi)容12
• 1.5 本文的結(jié)構(gòu)安排12-13
• 第2章 EM算法及混合高斯模型的EM算法13-27
• 2.1 EM算法概述13-14
• 2.2 EM算法的主要性質(zhì)14-17
• 2.3 混合高斯模型的EM算法17-23
• 2.3.1 單高斯模型17-18
• 2.3.2 混合高斯分布模型18-23
• 2.4 EM算法在混合高斯分布模型參數(shù)估計(jì)中的應(yīng)用23-26
• 2.5 本章小結(jié)26-27
• 第3章 遺傳算法和粒子群算法概述27-36
• 3.1 遺傳算法簡(jiǎn)介27-31
• 3.1.1 遺傳算法的各運(yùn)行參數(shù)描述27-30
• 3.1.2 遺傳算法主要特點(diǎn)概述30-31
• 3.2 粒子群算法簡(jiǎn)介31-33
• 3.2.1 基本粒子群算法描述31-33
• 3.2.2 基本粒子群算法步驟概述33
• 3.3 遺傳算法和粒子群算法的比較33-35
• 3.4 本章小結(jié)35-36
• 第4章 基于粒子群優(yōu)化遺傳算法的改進(jìn)EM算法36-63
• 4.1 基于粒子群優(yōu)化的遺傳算法(PSOGA算法)36-41
• 4.1.1 基于粒子群算法初始化遺傳算法種群37-39
• 4.1.2 基于粒子群算法重構(gòu)變異算子39-41
• 4.2 基于粒子群優(yōu)化遺傳算法的改進(jìn)EM算法(PSOGA-EM算法)41-47
• 4.2.1 混合模型最優(yōu)階數(shù)的估計(jì)方法43-46
• 4.2.2 估計(jì)混合高斯模型分支數(shù)的MML-PSOGA-EM算法46-47
• 4.3 基于改進(jìn)EM算法的未知階數(shù)的混合高斯模型參數(shù)估計(jì)47-62
• 4.3.1 算法的適應(yīng)度函數(shù)與遺傳操作48-51
• 4.3.2 試驗(yàn)分析：比較EM算法和PSOGA-EM算法51-62
• 4.4 本章小結(jié)62-63
• 第5章 總結(jié)與進(jìn)一步工作63-65
• 5.1 總結(jié)63-64
• 5.2 進(jìn)一步工作64-65
• 致謝65-66
• 參考文獻(xiàn)66-69
• 攻讀碩士期間發(fā)表的論文69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 翟繼友;張鵬;;高斯混合模型參數(shù)估值算法的優(yōu)化[J];計(jì)算機(jī)技術(shù)與發(fā)展;2011年11期

，

本文編號(hào)：1126173