EM算法在纹理织物图像分割中的应用

提出了一种基于多特征值高斯混合模型（Gaussian Mixture Model）期望最大化（Expectation Maximization,EM）聚类的图像分割算法.该算法采用YCbCr彩色空间提取每个像素点的颜色特征,选择像素点邻近的一个方块计算每个像素点的纹理特征,然后采用基于高斯混合模型的EM算法对图像每个像素进行聚类,根据聚类结果进行区域合并得到纹理织物图像分割的最终结果.通过和其他分割算法进行对比,此算法具有较好的分割效果.     

基于高斯混合模型的轨迹模仿学习表征参数优化

针对高斯混合模型(Gaussian mixture model,GMM)参数选取效率较低的问题,提出了一种在基于GMM的轨迹模仿学习表征中综合求解GMM参数估计的方法.该方法基于多中心聚类算法中的最大最小距离算法改进kmeans算法,得到最优初始聚类中心,并基于贝叶斯信息准则(Bayesian information criterion,BIC)通过遗传算法优化求解,同时获取GMM的4个重要参数.该方法通过提高划分初始数据集的效率,在优化初始聚类中心基础上确定混合模型个数,有效地避免了因为初值敏感而导致的局部极值问题.通过多组仿真实验验证了该方法的有效性.     

Dirichlet过程混合模型的聚类算法

有限混合模型进行高维数据聚类分析时需预先估计聚类个数,因而聚类的准确性和泛化性受到影响.通过建立Dirichlet过程无限混合模型对高维数据开展聚类分析,采用Dirichlet过程的Urn模型分析出模型中各参数的后验分布,利用Gibbs采样MCMC方法估计出模型中各参数及数据中潜在的聚类数.在五维的仿真数据集和IRIS测试数据集上的聚类结果表明:经过200次Gibbs采样MCMC过程,该算法能够正确地估计出数据中潜在的聚类数.单次Gibbs采样MCMC过程的平均占用时间分别为0.185 0s和0.145 5s,其时间复杂度和数据的样本个数N有关,为O(N).     

混合自行车交通流速度分布模型

针对电动自行车和普通自行车在非机动车道上混合运行的问题,基于实测数据分析混合自行车交通流速度的基本统计特性.通过对多种影响因素的分析,构建基于高斯混合模型(GMM)的速度分布函数,采用期望最大化(EM)算法对模型参数进行最大似然估计.通过Kolmogorov-Smirnov(K-S)拟合优度检验优化,得到高斯混合模型的最佳组成数.分析不同限速阈值对自行车超速特性的影响.结果表明,利用高斯混合模型能够有效地拟合混合自行车速度.利用三元高斯混合模型能够拟合自由流状态下的速度数据;针对多种交通状态下的数据,须采用五元或六元高斯混合模型进行拟合.     

混合自行车交通流速度分布模型

针对电动自行车和普通自行车在非机动车道上混合运行的问题,基于实测数据分析混合自行车交通流速度的基本统计特性.通过对多种影响因素的分析,构建基于高斯混合模型(GMM)的速度分布函数,采用期望最大化(EM)算法对模型参数进行最大似然估计.通过Kolmogorov-Smirnov(K-S)拟合优度检验优化,得到高斯混合模型的最佳组成数.分析不同限速阈值对自行车超速特性的影响.结果表明,利用高斯混合模型能够有效地拟合混合自行车速度.利用三元高斯混合模型能够拟合自由流状态下的速度数据;针对多种交通状态下的数据,须采用五元或六元高斯混合模型进行拟合.     

基于改进的高斯混合模型算法的说话人识别

高斯混合模型（GMM）已广泛运用于文本无关的说话人识别系统中,该方法具有简单高效的特点。在使用EM算法训练GMM时,GMM模型的初始化参数必须首先确定。本文采用改进后的模糊C均值聚类（FCM）方法将特征矢量归为与混合数相等的各个类中,然后计算参数作为初始值。实验表明,此训练方法能够获得更优的模型参数且识别率有较大的提高。     

图像数据库聚类索引方法研究

针对大规模图像数据库的特点,用基于高斯混合模型的期望值最大(EM)算法对图像数据库进行聚类划分,为每个聚类建立索引项,且它所包含的原始特征数据在磁盘上连续存储.查询时,对于用户的查询范例首先确定最可能的候选聚类,然后在候选聚类范围内查询翔实图像.试验结果表明,该方法可提高图像检索速度.     

混合属性数据聚类的新方法

提出了一种数值型和类别型混合属性数据聚类的全局算法。算法通过随机选取足够多的初始原型来覆盖数据集的全局分布信息,然后通过评估函数迭代地消去多余的原型。最后对本文算法进行了验证,证明了该算法的有效性和收敛性。并与其他已有同类型算法的聚类结果进行比较,说明本文算法对混合属性数据具有更高的聚类准确度,为解决混合型数据聚类问题提供了一种新途径。     

使用聚类稳定性分析方法增强单类学习算法

针对传统单类学习模型对多模态或多密度分布数据描述能力不足的问题,将集成聚类和聚类稳定性分析引入单类学习.首先将确定聚类簇个数与确定聚类簇分布统一到同一个增强单类学习框架中,之后各聚类簇互为正负类分别建起立多个单类分类模型,最后采用最大融合体积方法融合其决策边界.以经典的支持向量数据描述(SVDD)为例,设计了基于集成聚类的稳定支持向量数据描述算法——ECS-SVDD.在标准UCI数据集和一个真实恶意程序行为数据集上的实验结果表明,ECS-SVDD的性能较单个支持向量数据描述及同类单类学习方法更优.该方法可直接推广到其他最小包含体积集合类型的单类学习算法上,以增强单类学习算法处理多模态和多密度分布数据的能力.     

基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

基于估计概率密度函数的独立分量分析方法

基于最优估计函数,给出了一种估计得分函数的方法．通过使用高斯混合模型,给出了估计信号概率密度的EM算法和进行独立分量分析优化的梯度算法．为了提高算法的精度和稳定度,发展了迭代估计概率密度的方法,该方法可以针对超、亚混合信号进行分离．     

粗糙表面切向接触刚度概率分析方法

针对粗糙表面微凸体的多样性引起的接触切向刚度的变化,提出粗糙表面切向接触刚度概率分析方法.基于Hertz理论和GW模型,考虑微凸体接触半径与高度均服从正态分布,得到各自的概率密度函数.运用接触力学和统计学原理,计算粗糙表面微凸体的个数,建立粗糙表面切向接触刚度的概率统计模型.采用控制变量法,研究外界载荷、摩擦系数和统计参数对切向接触刚度的影响,与同种工况下分形模型的计算结果与实验结果进行对比.研究结果表明粗糙表面切向接触刚度与法向载荷和摩擦系数成正相关,与切向载荷成负相关;微凸体之间高度或接触半径的正态分布标准差越小,切向接触刚度越大.这与同条件下分形模型及实验得到的结果趋势相一致.     

Bayesian texture segmentation based on wavelet domain hidden markov tree and the SMAP rule

According to the sequential maximum a posteriori probability (SMAP) rule, this paper proposes a novel multi-scale Bayesian texture segmentation algorithm based on the wavelet domain Hidden Markov Tree (HMT) model. In the proposed scheme, interscale label transition probability is directly defined and resoled by an EM algorithm. In order to smooth out the variations in the homogeneous regions, intrascale context information is considered. A Gaussian mixture model (GMM) in the redundant wavelet domain is also exploited to formulate the pixel-level statistical features of texture pattern so as to avoid the influence of the variance of pixel brightness. The performance of the proposed method is compared with the state-of-the-art HMTSeg method and evaluated by the experiment results.     

粗糙目标光外差信号特性对探测阈值的影响

传统目标回波光外差探测使用高斯分布等简单模型来描述,这常常导致判决误差.笔者提出利用多项式对实际目标测量数据进行拟合,给出较准确的概率分布曲线.通过对某装甲车表面样块多组测量数据的统计分析显示,利用多项式拟合来确定判决阈值,比起用简单的高斯分布来确定阈值,可以获得更高的检测概率和更低的误警概率.研究表明,对实测中频信号的统计直方图进行多项式拟合,有利于精确设置探测阈值,可以使检测概率提高6.02%,误警概率降低7.7%.文中结果为粗糙面回波外差探测系统设计提供定量参考,也为探测系统性能评估仿真提供依据.     

噪声野值下的学生t分布混合CPHD滤波

针对过程噪声和量测噪声野值导致高斯混合势概率假设密度滤波性能下降的问题,提出了一种基于学生t分布的势概率假设密度滤波。首先,引入学生t分布对重尾的过程噪声和量测噪声进行建模;其次,将多目标后验强度近似为学生t分布混合形式,推导了基于学生t分布的势概率假设密度滤波的闭合解,并采用矩匹配算法防止学生t分布的自由度无限增长。仿真结果表明,在含有过程噪声和量测噪声野值的环境下,所提算法的目标数估计精度和最优子模式分配距离优于高斯混合势概率假设密度滤波和学生t分布混合概率假设密度滤波,提高了多目标跟踪性能。     

DSP-TMM: A Robust Cluster Analysis Method Based on Diversity Self-Paced T-Mixture Model

In order to implement the robust cluster analysis, solve the problem that the outliers in the data will have a serious disturbance to the probability density parameter estimation, and therefore affect the accuracy of clustering, a robust cluster analysis method is proposed which is based on the diversity self-paced t-mixture model. This model firstly adopts the t-distribution as the sub-model which tail is easily controllable. On this basis, it utilizes the entropy penalty expectation conditional maximal algorithm as a pre-clustering step to estimate the initial parameters. After that, this model introduces l_2,1-norm as a self-paced regularization term and developes a new ECM optimization algorithm, in order to select high confidence samples from each component in training. Finally, experimental results on several real-world datasets in different noise environments show that the diversity self-paced t-mixture model outperforms the state-of-the-art clustering methods. It provides significant guidance for the construction of the robust mixture distribution model.     

雷达高分辨距离像分帧新方法

针对雷达高分辨距离像的姿态敏感性问题,提出了一种新的分帧方法.首先分析了距离像频谱幅度的统计特性并假设其服从联合高斯分布,之后使用概率主分量分析模型对各个子帧内频谱幅度建模并用期望最大化算法求取模型参数,最后依次合并Kullback-Leibler距离最小的相邻子帧来完成分帧.实测数据的分帧结果与识别率均表明了该分帧方法的有效性.     

广义高斯分布在数据可视化中的应用

广义高斯分布是一类以高斯分布为特例的对称分布,在科学和工程上都有广泛的应用.利用广义高斯分布对Gabor相位进行建模,所得参数通过PCA降维到2维或3维空间,数据集的信息结构得到直观的展示,实现了数据的可视化.在COIL—100中目标可视化的实验进一步证实了广义高斯分布这一概率模型对没有直接欧几里德表示的数据集建模的可行性.     

一种基于相空间高斯混合模型的测井相识别方法

油层测井相识别是油田开发的重要依据.油层的测井相类别如果发生误判,将会影响它和邻井对应油层之间的连通对比关系的判断,造成开采方案的失败.测井相的类间差异小,领域知识要求高,属于难度较大的模式识别问题.在研究了混沌建模的基本方法后,给出了一种基于相空间高斯混合模型的测井相识别方法.对每类训练样本形成一个重构相空间,用EM算法学习得到一个高斯混合模型,待识序列按其属于不同类别的高斯混合模型的条件概率进行分类.该方法可以对不规则样本的形态参数进行估计,从而提高测井相的识别精度.实验结果证明了该方法的有效性.