基于遗传算法的K-means初始化EM算法及聚类应用

混合高斯模型能够有效地拟合概率密度函数,常用的混合高斯概率密度模型参数估计方法是EM迭代算法,这种算法的缺点是估计精度过分依赖于初始值,而且不能估计模型阶数。基于遗传算法的K-means初始化EM算法可以同时估计模型阶数和参数。试验结果表明,该算法具有更好的聚类效果。     

利用EM算法估计寿命模型中的参数

针对寿命模型中未知参数估计的复杂度较高,计算量较大这一问题提出了一种EM算法。通过引用了相关寿命模型,采用混合高斯分布的期望最大化算法(EM),对寿命中的未知参数进行了估计,并利用仿真数据对不同时间段的寿命预测结果进行对比,证明了利用EM算法估计参数可减少计算量,降低了参数估计的复杂度。     

基于EM的联合信道参数估计和数据检测算法

为提高OFDM系统的传输效率,考虑正交频分复用(OFDM)系统的特殊结构,该文提出一种使用少量导频的EM(Expectation Maximization)迭代信道参数估计算法。在每次迭代中不但更新信道冲激响应而且更新噪声方差的估计值。为进一步提高算法的收敛速度,提出联合信道参数估计和数据检测算法。仿真结果表明,在插入较少导频时,基于EM的信道估计算法仍能收敛到给定参数的信道,联合信道参数估计和数据检测算法迭代次数明显减少,并且保持系统的误码率性能不变。     

高斯混合噪声中弱信号的Rao检测方法

期望最大化(Expectation Maximization,EM)算法是求解参数最大似然估计(MLE)的最优迭代算法,但若参数初始化不恰当,会使估计值落入"初值陷阱",导致错误的参数估计值.为此,本文提出了估计高斯混合噪声参数的矩 - EM算法,即先求参数的矩估计,并用矩估计值初始化参数,再通过EM迭代算法估计参数.在此基础上,经高斯化滤波,导出了高斯混合噪声背景下未知幅度弱信号的Rao检验统计量.仿真结果表明,矩 - EM算法可以更准确地估计噪声参数;基于矩 - EM算法的Rao检测性能优于基于EM算法的Rao检测性能.     

基于EM算法的非高斯噪声参数估计

EM算法是一种从＂不完全数据＂中求解模型参数的极大似然估计的方法,在非高斯噪声的参数估计问题中是一种比较优秀的算法。非高斯噪声的参数估计问题的主要困难是充分统计量是不存在的,这意味着从观测空间到估计空间的映射依赖于这里试图估计的参数。在未知噪声概率密度的情况下,EM算法可以更准确地对非高斯噪声参数进行估计,估计方差接近C-R下界。     

基于累积量的两层前馈神经网络盲辨识

由于非线性系统输出是其参数的非线性函数,直接利用高阶累积量辨识两层前馈神经网络(FNN)通常是十分困难的。为解决这一问题,该文提出两种基于四阶累积量的FNN辨识方法。第一种方法,FNN的隐元在其输入空间利用多个线性系统近似,进而FNN利用一统计模型混合专家(ME)网络重新描述。基于ME模型,FNN参数可利用统计期望值最大化(EM)算法获得估计。第二种方法,为简化FNN的ME模型,引入隐含观测量。基于隐含观测量估计,FNN被分解为多个单隐元的训练问题,进而整体FNN可利用一两阶层ME描述。基于单隐元的参数估计,FNN可利用一具有更快收敛速度的简化算法获得估计。     

改进高斯混合粒子滤波被动目标跟踪算法

针对被动传感器跟踪系统非线性较强问题,提出了一种基于改进高斯混合粒子滤波的被动传感器目标跟踪算法。该算法基于Sigma点卡曼滤波和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。然后结合遗传算法和EM算法来实现模型的降阶,克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在被动传感器跟踪领域,与传统粒子滤波、基于EM的高斯混合粒子滤波和基于贪心EM的高斯混合粒子滤波相比,该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。     

有色噪声中一维谐波频率估计的稳健迭代算法

本文通过构造基于观测信号的统计量,采用三步迭代（TSI）算法来估计乘性和加性有色噪声中一维谐波信号频率参数,得到了最终估计量的渐近分布,证明了估计的一致性。TSI算法通过引入周期图估计作为初估计,从谐波模型内在特性出发构造统计量,采用迭代方式逐步提高初估计精度,仅需三次迭代就能达到加性噪声情形下最小二乘估计（LSE）的关于样本的收敛速度。由于只需要三次迭代就可以达到收敛,所以算法的计算量比较少。另外相比较传统的迭代算法而言,TSI算法能保证每次迭代后都能够提高估计的精度,从而克服了传统的迭代算法收敛不够稳定不足。仿真实验证实了估计的一致性以及估计的渐近分布,而且在较大噪声情形下该迭代算法依然可行。最后,由于TSI算法具备小的计算量以及高的估计精度,因而十分适合作为一维谐波参数估计的在线算法。      

基于EM算法的极大似然分布式量化估计融合新方法

该文针对水下目标探测中的多传感器分布式量化估计融合问题,建立了分布式量化估计融合模型,在考虑信道噪声且其统计特性不完全已知条件下,充分利用EM算法在观测数据缺失时参数估计的优越性,提出了一种基于期望极大化(EM)算法的极大似然分布式量化估计融合新方法。该方法将未知的水声信道噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验表明:该方法在局部传感器观测样本数目大于5000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当,该方法为水下目标探测中分布式量化估计融合系统的工程实现提供了理论依据。     

高斯混合模型在海面运动目标检测中的应用

针对海面背景图像的特点,利用高斯混合模型参数估计方法,建立了象素点背景模型并用于海面运动目标的检测。提出的基于变化检测的高斯混合模型参数估计方法与EM算法估计的模型参数极为相似,但前者大大节省了建立背景模型所需的内存空间,建模速度大约是后者的两倍。视频流实验验证了算法的有效性。     

A reduced-complexity online state sequence and parameter estimatorfor superimposed convolutional coded signals

This paper develops a reduced-complexity online state sequence and parameter estimator for superimposed convolutional coded signals. Joint state sequence and parameter estimation is achieved by iteratively estimating the state sequence via a variable reduced-complexity Viterbi algorithm (VRCVA) and the model parameters via a recursive expectation maximization (EM) approach. The VRCVA is developed from a fixed reduced-complexity Viterbi algorithm (FRCVA). The FRCVA is a special case of the delayed decision-feedback sequence estimation (DDFSE) algorithm. The performance of online versions of the FRCVA, VRCVA, and the standard Viterbi algorithm (VA) are compared when they are used to estimate the state sequence as part of the reduced-complexity online state sequence and parameter estimator     

Blind equalization of dispersive fast fading Ricean channels via the EMV algorithm

A blind maximum likelihood equalization method is proposed for frequency selective fast fading Ricean channels. This method employs the expectation-maximization Viterbi algorithm (EMVA) developed in for blind channel estimation and signal detection. Since the Viterbi algorithm (VA) is used to execute the E-phase of an expectation-maximization (EM) iteration, it requires that the observed sequence can be modelled as a finite-state hidden Markov process. We develop a hidden Markov model for frequency selective fast fading Ricean channels, so that the observed process can be viewed as the noisy output of a finite state machine (FSM), to which the VA is applicable. The EMVA is then employed to obtain a blind maximum likelihood estimate of the specular part of the channel and, for one special case, of a noise parameter measuring the total power of the additive and multiplicative channel noise components. Simulation results are presented which show that the EMVA achieves an accurate estimate of the channel specular part and has an error rate performance close to that of the maximum likelihood detector based on true parameters for the given FSM model.     

依据迭代系数状态因子分段的变步长NLMS算法

针对固定步长的归一化LMS算法（NLMS）存在不能同时兼顾收敛速度与稳态误差的问题,本文提出一种依据迭代系数状态因子进行分段的变步长NLMS算法。该变步长NLMS算法采用迭代系数状态因子作为表征迭代系数与实际系数的逼近状态的指标。当迭代系数状态因子值大于1,则说明迭代系数有偏离真实系数的趋势,此时采用步长因子较大的变步长方案;反之,说明迭代系数有逼近真实系数的趋势,应该采样步长因子较小的变步长方案。这样的自适应选择措施使得算法具有较强的收敛能力。理论分析和实验表明:在同样实验条件下,本文算法能够获得比其他文献更快的收敛速度和更小的稳态误差。      

基于EM算法的宽带信号DOA估计及盲分离

本文提出了一种基于EM算法的宽带信号DOA估计与盲分离方法.首先将宽带混合信号转换到频域,然后综合利用带宽内所有频点信息建立似然函数,在此基础上推导出宽带条件下的EM迭代式,从而实现宽带信号DOA及波形的联合估计.并且本文通过分析EM算法的收敛性,自适应的设定角度搜索空间,提高了算法的运算效率.与传统方法相比,本文方法运用的有效信息更多,因此,其在DOA估计精度及波形恢复性能方面都更有优势.仿真实验表明了该算法的有效性.     

高斯混合分布杂波下ARM的Wald检测方法

提出一种在高斯混合分布杂波下检测反辐射导弹(ARM)的Wald检测方法.针对基于期望最大化(EM)算法估计杂波参数时,由于初始化不当使迭代运算落入初值陷阱、导致估计错误的问题,提出基于矩-EM算法估计杂波参数的方法,导出了高斯混合分布杂波下ARM目标的Wald检测统计量.不同参数条件下的仿真表明,矩-EM算法能够更准确地估计杂波参数;基于高斯混合分布杂波假设的Wald检测性能明显优于基于高斯分布杂波假设的Wald检测性能.     

复小波域HMT模型图像复原

提出了基于二元树复小波变换（DT-CWT）的复小波域隐马尔可夫树（HMT）模型线性图像复原算法,并采用一种简单可行的快速算法来估计HMT模型参数。该方法较好地再现了各种边缘信息,其复原结果较传统的复原方法有不同程度的提高,其运行效率较传统的HMT模型参数估计方法有明显的提高。     

一种基于非完全数据的路径损耗模型选择算法

为尽可能选择反应实际信道衰减特性的路径损耗模型,该文针对无线传感器网络中的路径损耗提出一种多模型选择算法。首先分析一组路径损耗模型的统计特性,然后考虑接收信号强度(RSS)的非完全数据,提出基于期望最大化(EM)的参数估计算法,最后在准则函数的基础上给出表征模型优劣的权重系数,建立了一种进行路径损耗模型筛选的量化方法。实验分析表明,该算法的参数估计较为准确,且与同类算法相比,该算法甄别出的最优模型与实验数据有较好的拟合度。