粒度母体混合分布的微粒群算法研究

针对粒度母体混合分布识别中参数优化求解问题,为进一步提高识别效率,利用一种改进的微粒群算法对粒度母体混合分布的参数进行优化。方法通过设置检验值,判断算法是否陷入局部最优解,并让陷入局部最优的粒子进入下一次迭代,避免微粒群算法在搜索过程中陷入局部最优的缺陷问题。在仿真实验部分,将方法估计的高斯混合模型的参数与迭代EM算法估计的模型参数做比较,结果表明,得到的模型参数接近真实的分布,使得粒度母体混合分布的识别率进一步提高。     

一种半监督机器学习的EM算法改进方法

EM(Expectation Maximization)算法是含有隐变量(latent variable)的概率参数模型最大似然估计、极大后验概率估计最有效的算法,但很容易进入局部最优现象,对此提出基于半监督机器学习机制的EM算法.本文方法是在最大似然函数中加入惩罚最小二乘因子,同时引入非负约束作为先验信息,结合半监督机器学习方法,将EM算法改进转化为最小化求解问题,再采用最大似然方法求解EM模型,有效估计了混合矩阵和高斯混合模型参数,实现EM算法的改进.仿真结果表明,该方法能够很好地解决了EM算法容易局部最优化问题.     

一种基于最小误分率估计高斯混合模型参数的方法

传统的基于最大似然估计高斯混合模型参数的方法是一种无导师的学习方法,该方法的主要缺点昌学习算法在会计一类模式模型中的参数时只利用了该类模式中的训练样本, 未考虑其它类训练样本的分布影响,因此,这种方法的识别效果往往不够理想。针对以上问题,作者提出利用最小误分率估计高斯混合模型参数的方法,这种方法考虑了不同类之间的样本的区分性。     

基于分裂EM算法的GMM参数估计

期望最大化(Expectation Maximization,EM)算法是一种求参数极大似然估计的迭代算法,常用来估计混合密度分布模型的参数。EM算法的主要问题是参数初始化依赖于先验知识且在迭代过程中容易收敛到局部极大值。提出一种新的基于分裂EM算法的GMM参数估计算法,该方法从一个确定的单高斯分布开始,在EM优化过程中逐渐分裂并估计混合分布的参数,解决了参数迭代收敛到局部极值问题。大量的实验表明,与现有的其他参数估计算法相比,算法具有较好的运算效率和估算准确性。     

基于泊松-高斯混合噪声的最大似然改进算法

传统的图像复原算法仅针对高斯噪声进行处理,没有考虑高斯及泊松混合噪声污染。为此,引入泊松-高斯混合分布的成像模型,对基于混合模型的最大似然算法进行有效近似,在此基础上提出基于泊松-高斯混合噪声的最大似然改进算法,避免对噪声敏感性和PSF初始估计的依赖。实验结果表明,与原有算法相比,改进算法复原效果明显,且稳健性较好。     

融合密度峰值的高斯混合模型聚类算法

针对高斯混合模型（GMM）聚类算法对初始值敏感且容易陷入局部极小值的问题,利用密度峰值（DP）算法全局搜索能力强的优势,对GMM算法的初始聚类中心进行优化,提出了一种融合DP的GMM聚类算法（DP-GMMC）。首先,基于DP算法寻找聚类中心,得到混合模型的初始参数;其次,采用最大期望（EM）算法迭代估计混合模型的参数;最后,根据贝叶斯后验概率准则实现数据点的聚类。在Iris数据集下,DP-GMMC聚类准确率可达到96.67%,与传统GMM算法相比提高了33.6个百分点,解决了对初始聚类中心依赖的问题。实验结果表明,DP-GMMC对低维数据集有较好的聚类效果。     

基于最大交叉熵估计高斯混合模型参数的方法

传统的基于最大似然估计高斯混合模型参数的方法是一种无导师的学习方法.该方法的主要缺点是学习算法在估计一类模式模型中的参数时只利用了该类模式中的训练样本,而未考虑其他类训练样本分布的影响,因此,这种方法的识别效果往往不够理想.该文提出了利用最大交叉熵估计高斯混合模型参数的方法,这种方法考虑了不同类之间的样本区分性.同时,为了提高获得全局最优解的可能性,文章给出一种利用进化规划求解最优参数的算法,并将这种方法用于非限定文本的话者识别.实验表明,该方法比传统的参数估计方法识别效果要好.     

基于GMM的说话人识别研究与实践

说话人识别作为当今的一个研究热点,具有广泛的应用和研究前景。文章针对说话人识别的前端处理进行了相关研究,设计并实现了一个有效的处理算法。提取出Mel频率倒谱系数MFCC,讨论了MFCC各维参数对最终结果的贡献。文章通过研究高斯混合模型GMM的模型训练,使用最大似然估计算法和期望一最大化算法,在研究和改进基础上开发了一个基于高斯混合模型的说话人识别系统。同时完成了多线程并行测试与MFEC各维参数对最终识别结果的增益比较研究。     

基于统计感知策略的高斯混合模型求解方法

高斯混合模型（Gaussian mixture model,GMM）是一种经典的概率模型,常被用于无监督学习领域来确定无类别标记样本点的类别分布。作为求解GMM参数的重要技术,期望最大化（Expectation maximization,EM）算法通过计算GMM对应似然函数的最优解确定基模型自身参数以及基模型的混合系数。利用EM算法求解GMM存在如下两个缺陷：EM算法易于陷入局部最优解以及EM算法确定GMM基模型相关参数的不稳定,尤其是针对多维随机变量。本文提出了一种基于统计感知（Statistical-aware,SA）策略的GMM求解方法——SA-GMM方法。该方法从估计给定数据集的未知概率密度函数入手,建立了核密度估计（Kernel density estimation,KDE）与GMM之间的关联。为避免KDE对“过平滑”窗口的选取,设计了同时最小化KDE与GMM之间的经验风险和KDE窗口结构风险的目标函数,进而确定了GMM的最优参数。在11个标准概率分布上的实验证明了SA-GMM方法的可行性、合理性和有效性,同时结果也表明SA-GMM能够获得显著优于基于EM算法的GMM及其变体的概率密度函数估计表现。     

改进的Online EM背景减除算法

为有效提取复杂场景中的运动前景,提出基于贝叶斯理论的Dirichlet共轭先验,结合在线最大似然估计(Online EM)改进基于高斯混合模型参数的背景减除算法.改进算法避免了陷入局部最值,在线自适应地调整高斯个数,并生成运动全景图,实验结果表明,该算法能有效提高前景检测率.     

A genetic classification method for speaker recognition

Gaussian mixture model (GMM) has been widely used for modeling speakers. In speaker identification, one major problem is how to generate a set of GMMs for identification purposes based upon the training data. Due to the hill-climbing characteristic of the maximum likelihood (ML) method, any arbitrary estimate of the initial model parameters will usually lead to a sub-optimal model in practice. To resolve this problem, this paper proposes a hybrid training method based on genetic algorithm (GA). It utilizes the global searching capability of GA and combines the effectiveness of the ML method. Experimental results based on TI46 and TIMIT showed that this hybrid GA could obtain more optimized GMMs and better results than the simple GA and the traditional ML method.     

PSO随机数参数设置的多目标定位方法研究

为了解决林业部门对森林防火安全监测系统中对多个声音目标的跟踪及定位问题,根据声音能量随距离衰减模型,提出了采用粒子群算法(PSO)的多目标定位与优化方法.通过利用极大似然法对声音强度模型的定位算法,采用惯性权重的粒子群算法,着重讨论了随机参数不同的设置方法对定位追踪精度性能的影响.通过仿真实验证明,粒子群算法中设置随机数参数为常数,可以有效提高目标定位精度,并减小搜索复杂度.     

一种改进细菌觅食优化算法及其在软测量建模中的应用

针对软测量建模中模型参数的优化需求,在分析细菌觅食优化算法(BFOA)和粒子群优化(PSO)算法的基础上,将二者有机结合,提出了一种新型细菌觅食粒子群混合优化算法(BSOA)。该算法将PSO粒子移动的思想引入BFOA,有效解决了BFOA趋向性操作中细菌位置更新的盲目性。将其分别用于典型函数的寻优与成品油研究法辛烷值最小二乘支持向量机(LSSVM)模型参数的优化,仿真结果表明:该方法有效增强了算法的全局寻优能力与收敛速度,并在一定程度上改善了模型的预测精度与泛化能力。     

Prediction of TBM operation parameters using machine learning models based on BPSO

Rational parameters of TBM (Tunnel Boring Machine) are the key to ensuring efficient and safe tunnel construction. Machine learning (ML) has become the main method for predicting operating parameters. Grid Search and optimization algorithms, such as Particle Swarm Optimization (PSO), are often used to find the hyper parameters of ML models but suffer from excessive time and low accuracy. In order to efficiently construct ML models and enhance the accuracy of predicting models, a BPSO (Beetle antennae search Particle Swarm Optimization) algorithm is proposed. Based on the PSO algorithm, the concept of BAS (Beetle Antennae Search) is integrated into the updating process of an individual particle, which improves the random search capability. The convergence of the BPSO algorithm is discussed in terms of inhomogeneous recursive equations and characteristic roots. Then, based on the proposed BPSO prototype, a hybrid ML model BPSO-XGBoost (eXtreme Gradient Boosting) is proposed. We applied the model to the Hangzhou Central Park tunnel project for the prediction of screw conveyer rotational speed. Finally, our model is compared with existing methods. The experimental results show that the BPSO-based model outperforms other traditional ML methods. The BPSO-XGBoost is more accurate than PSO-XGBoost and BPSO-RandomForest for predicting the speed. Also, it is verified that the hyper parameters optimized by the BPSO are better than those optimized by the original PSO. The comprehensive prediction performance ranking of models is as follows: BPSO-XGBoost > PSO-XGBoost > BPSO-RF > PSO-RF. Our models have preferable engineering application value.     

基于混沌PSO算法优化LS-SVM的惯导系统测试

基于混沌PSO算法优化最小二乘支持向量机(LS-SVM)实现惯导系统初始对准测试.通过小波包分解消除陀螺漂移数据的噪声,获取LS-SVM的训练与测试样本.针对LS-SVM解决大规模数据样本回归问题时所出现的训练时间长、收敛速度慢等缺点,提出了混沌PSO算法优化LS-SVM的模型参数.该方法不仅克服了传统PSO算法早熟、...     

一种基于粒子群算法的模糊隶属函数优化方法

在分析图像模糊增强算法对于隶属函数及其模糊区域选择方法不足的基础上,提出一种新的基于粒子群算法的模糊隶属函数优化方法。该方法给出一个新模糊熵的定义,这个新模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况,同时又考虑到图像在空域中划分区域时随隶属函数变化而变化的情况。这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息。另外,根据图像增强算法中使用double型数据类型的特点,采用改进粒子群优化算法寻求隶属函数的最优参数。将新算法应用于图像增强中,取得了优于现有大多数模糊增强算法的效果。     

基于粒子群优化的模糊c均值聚类算法--在丙烯腈反应器参数优化上的应用

采用粒子群优化(PSO)算法,代替遗传算法(GA),将其和模糊c均值(FCM)聚类算法结合,形成基于粒子群优化的模糊c均值聚类(PSO-FCM)算法,同时引进混沌优化算法加强PSO-FCM算法的局部搜索能力。以某工厂丙烯腈反应器数据为研究对象,对比GA-FCM算法和FCM算法,研究结果表明PSO-FCM算法能够得到较优的聚类,且该算法实现简单,便于工程应用,对丙烯腈反应器参数调整的指导作用更加显著。     

无线传感器网络定位优化算法及其仿真

无线传感器网络节点定位是节点信息的重要话题,针对节点定位问题,在基于距离的极大似然估计法定位基础上,为了弥补其受测距误差影响较大的缺点,利用粒子群优化算法实现无线传感器网络节点定位。在论述粒子群算法的基础上,详细论述了基于粒子群优化的极大似然估计法进行节点定位过程。通过MATLAB实验对算法进行了验证,实验表明基于粒子群优化算法的节点定位精度要比极大似然估计法的精度要高,定位性能要比其优越。     

基于PSO的钻机快速自适应PID控制

针对传统液压盘刹钻机PID控制系统响应速度慢、稳态误差大、参数整定周期长,以及无法满足随钻遇地层变化实时参数优选的不足,以恒钻压自动送钻为研究对象,构建了液压盘刹钻机控制模型,设计了粒子群算法(PSO)优选钻机PID控制参数,并实现在Simulink环境下自动调用优选出的PID参数,提高了钻机控制参数的快速、自适应整定。仿真结果表明,与传统采用Z-N经验公式法、试凑法和遗传算法(GA)实现钻机PID控制相比,基于PSO的钻机快速自适应PID优化控制能够有效地提升系统响应速度,降低系统稳态误差,满足钻机恒钻压随钻控制的实时性、准确性需求,实验结果证明了该方法的可行性和优越性。