混响的混合高斯概率密度建模

混合高斯模型能够有效地拟合混响背景的一维概率密度分布。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,但这种算法的主要缺点是估计精度过分依赖于初始值。而GreedyEM算法通过往混合模型中不断地加入高斯分量,能很好地解决这一问题。文章将多维图象处理中的GreedyEM算法加以合理简化,并给出模型自动定阶方法,从而成功应用于水声混响的一维混合高斯模型建模中。实验结果表明:应用新算法能从混响接收数据中准确拟合其概率密度曲线,并且能适应不同的数据长度,具有很好的通用性。     

混合高斯参数估计的两种EM算法比较

混合高斯模型是一种典型的非高斯概率密度模型,获得广泛应用。其参数的优效估计可以通过最大似然方法获得,但最大似然估计往往因其非线性而难以实现,故期望最大化(Expectation-Maximization,EM)迭代算法成为一种常用的替代方法。常规EM算法性能受迭代初值设置影响大,且不能对模型阶数做出估计。一种名为贪婪EM的改进算法可以克服这两个缺点,获得更为准确的模型参数估计,但其运算量一般会远大于前者。本文对这两种EM算法进行综合研究,深入挖掘两者之间的关系,并基于相同的数值仿真实例,直观地演示比较两者的性能差异。     

混合高斯参数估计的动态簇算法

混合高斯概率密度模型可以很好地拟合非高斯样本的概率密度。在各高斯分量概率密度互不重叠的条件下,使用动态簇算法可以快速而精确地估计出混合高斯概率密度模型参数。这是一种基于最小均方差原则的递推算法,在正向推导出各种可能的簇边界后,再根据确定的最末边界值逆向推定各前导簇边界,从而得到混合高斯概率密度模型参数估计值。描述模型及参数估计问题之后,动态簇算法被推导出来。然后深入探讨了该算法的实质及适用条件。最后结合数值仿真实例,分析了动态簇算法的估计性能。     

混合高斯概率密度模型动态簇算法参数估计

混合高斯概率密度模型可以很好地拟合样本的概率密度。在各高斯分量概率密度互不重叠的条件下，使用动态簇算法可以快速而精确地估计出混合高斯概率密度模型参数。这是一种基于最小均方差原则的递推算法，在正向推导出各种可能簇边界后，再根据确定的最末边界值逆向推定各前导簇边界，从而得到混合高斯概率密度模型参数估计值。算法介绍之后，给出了两个拥有不同概率密度分布的仿真建模实例．最后总结分析了该算法的优劣，并简介了算法的推广．     

高分辨率ARMA模型谱估计的一种快速算法

本文通过对C参数估计式的推导,论述了一种用ARMA模型的AR参数和自相关函数来估计C参数的方法,克服了在估计MA参数时常规迭代算法的复杂性,从而使得ARAM模型谱估计算法比较简便,仿真结果表明本文论述的算法具有计算量小,分辨率高的优点。     

基于DSP的主动视觉运动目标跟踪策略及实现

设计了一种基于TMS320DM642的单目主动视觉运动目标自动跟踪系统,该系统采用了一种期望极大化(Expectation Maximization,EM)自适应窗口的运动目标跟踪方法.本方法以考虑了像素空间位置信息的混合高斯模型建立目标的灰度特征模板,然后通过EM算法迭代估计出使每帧似然函数最大化的分布参数值,这些参数不但可确定出跟踪目标在图像序列中的位置和形状尺寸,而且为单目摄像机的自动变焦和基于分区逻辑的摇摆运动提供了控制信息.实验表明:系统可以自动而稳定地跟踪具有复杂运动状态的目标,对320pixelsx240pixels的图像可实现平均约20 frame/s的跟踪速度.     

小波域高斯混合模型方差估计近红外降噪方法

针对抑制近红外光谱噪声与保留光谱信号细节的矛盾,提出一种基于噪声方差估计的小波域降噪方法.该法对光谱信号小波域高频系数建立了两状态高斯混合模型,用EM算法估计模型系数,推证模型对噪声方差准确估计特性,将估计得到的噪声方差建立了阈值降噪模型.实验建立黄酒近红外光谱快速预测酒精度偏最小二乘模型,对比分析Penalty阈值、...     

混响背景下GTM回波检测算法研究

为改善混响背景下传统匹配滤波算法效果不佳问题,在分析其非平稳性、有色性和非高斯性的基础上,提出了混合高斯时变自回归模型(Gaussian mixture Tvar Model,GTM),推导了模型公式及其参数求解方法,形成了GTM回波检测算法。为对混响特性及滤波效果进行定量描述进而验证算法性能,给出了一种定量衡量混响非平稳性、有色性、非高斯特性的滤波效果评价方法。通过实测混响分析表明,GTM模型能够较好地拟合实测混响的概率密度曲线和功率谱密度曲线,实现了混响背景下回波的有效检测并改善混响特性。     

基于混合偏正态数据下众数回归模型的变量选择

有限混合回归(Finite Mixture of Regression, FMR)模型的变量选择常常在统计建模中使用。目前关于FMR模型的研究主要集中在回归误差服从正态分布的情形，而这种假设不适用于研究非对称的数据。对于偏斜数据，众数的代表性优于均值。本文基于混合偏正态数据介绍了众数回归模型的变量选择方法，并证明了变量选择方法的相合性和参数估计的Oracle性质。为了估计模型的参数，提出了一种改进的EM (Expectation-Maximum)算法，通过模拟研究和实例分析进一步说明了所提出模型和变量选择方法的有效性。     

混合回归模型参数MM估计的迭代算法及其收敛性

本文在[1]与[2]的基础上,给出混合回归模型参数两步M估计的一个迭代算法,并证明了这种算法的收敛性,最后通过随机模拟结果和一个实例,比较了两步M估计与两步最小二乘估计的优劣。