基于快速求解高斯混合模型的流量聚类算法

基于聚类算法可以对多个属性聚类的特点,提出一种基于快速求解高斯混合模型的聚类算法,用于研究网络流量的分类,使其达到更佳的聚类效果。通过与其他算法比较,讨论了该种方法在流量聚类中的适用性。仿真结果表明,该方法聚类精度高,经过初始聚类中心后的EM算法用于求解GMM有较高的估算准确性,有效地提高了EM算法的收敛速度。     

基于混合PSO的高斯混合模型地形分类

提出了一种基于改进的混合粒子群优化(particle swarm optimization,PSO)算法的高斯混合模型地形分类方法。高斯混合模型的求解通常是使用期望最大化算法(expectation maximization,EM),然而EM算法易陷入局部最优,收敛速度不稳定且对初值敏感。因此引入混合PSO算法,并对其进行了一系列改进。实验结果表明:改进后的算法较其它优化算法提高了全局搜索能力和收敛速度,利用该算法求解高斯混合模型可以提高参数估计的精度,并且在户外场景图像的地形分类实验中所提出的地形分类方法也表现优良。     

基于高斯混合模型的活动轮廓模型脑MRI分割

传统的活动轮廓模型用于图像分割往往基于目标的边界信息,在图像含有强噪音或目标具有弱边界时很难得到真实解.引入高斯混合模型构造新的约束项,在新的约束项作用下模型可以减少噪音的影响,并防止从弱边界泄漏.高斯混合模型求解通常使用Expectation-maximization(EM)算法,该算法是局部优化算法,且对初值敏感.因此引入粒子群算法,并提出一种改进的算法,利用该算法的全局优化性求解高斯混合模型的参数,以提高参数精度.对脑核磁共振图像(MRI)分割实验表明该模型具有较好的分割效果.     

基于有限混合多变量t分布的鲁棒聚类算法

在用混合模型聚类时,聚类数据中存在局外点是非常困难的问题。为了提高混合拟合的鲁棒性,本文用混合t模型替代混合高斯模型,来拟合含有背景噪音的多变量多高斯分布数据;提出了两个求解混合t模型的修改版期望最大化（EM）算法,并将它们与模型选择准则集成在一起,应用一个组合规则成分灭绝策略选择聚类成分数,得到两个对应的鲁棒聚类算法。对含有背景噪音的多个高斯成分进行不同聚类算法的大量实验表明,本文的鲁棒聚类算法能自动选择最佳的聚类成分数,相对于混合高斯模型的聚类方法,鲁棒性增强很多;相对于传统求解混合t模型（EM／ECM）的聚类方法,能有效避免其严重依赖初始值和易收敛至参数空间边界的缺点,具有较强的鲁棒性和较快的收敛速度。     

基于高斯混合模型的人脑MR图像分割新算法研究

有限高斯混合模型是广泛应用于聚类分析与分布估计的概率模型之一,同样在脑部MR图像分割领域获得了广泛应用.利用高斯混合模型可以描述大脑图像,通过期望最大算法求解随机变量的特征值,并用其对图像上的点进行分类,可以在一定程度上解决脑图像分割问题.针对含脉冲噪声的大脑图像,首先利用改进的滤波方法对图像进行滤波,再利用粒子群改进算法的全局优化特性求解高斯混合模型的参数,这样避免了EM算法易陷入局部极值的现象,以提高参数精度,从而进一步提高分割质量.     

引入模糊因子的EM图像分割

基于有限高斯混合模型,在采用EM算法对混合模型参数求解的过程中,引入模糊因子,改善图像分割方法.该方法可以降低其对初选值的依赖和像素点值对混合模型分量间参数的干扰.结果表明,对含有高斯噪声影响的图像有较好的分割结果,目标图像的区域形状保持好、相对位置明确.     

基于虚假数据注入攻击的网络安全检测

为提高智能电网的安全性,结合传感器量测数据和攻击向量服从正态分布的特性,提出了一种基于高斯混合模型的虚假数据注入攻击（False Data Injection Attacks,FDIA）检测方法。在该方法中,通过EM算法求解出高斯混合模型参数,然后根据判断准则,利用测试数据对高斯混合模型的分类效果进行验证。仿真实验结果表明,在IEEE-18和IEEE-30系统节点网络攻击检测中,基于高斯混合模型的FDIA检测相较于SVM的FDIA检测精度更好,但攻击强度和协方差矩阵是关键影响因素。     

基于隐高斯混合模型的人脑MRI分割方法

针对传统的高斯混合模型的抗噪性能和鲁棒性较差的缺点,提出一种基于隐高斯混合模型的人脑MRI分割方法。传统的高斯混合模型由于忽略了空间信息和未考虑分割结果的分布情况导致模型不完整。针对这些缺点,把分割结果的概率密度函数作为隐含数据引入到高斯混合模型,建立了非线性加权的隐高斯混合模型;同时引入了含空间信息与平滑系数的高斯权重置指数;运用期望最大化算法与牛顿迭代法对类均值,类方差以及平滑系数进行求解,最后根据最大后验概率准则得到人脑MRI的最终分割结果。经实验表明,提出的方法对人脑MRI具有很好的鲁棒性与抗噪性能。     

基于混合微粒群算法的说话人识别

为了解决传统高斯混合模型(GMM)对初值敏感,在实际训练中极易得到局部最优参数的问题,提出了一种采用微粒群算法优化GMM参数的新方法。该方法将最大似然估计融入到微粒群算法迭代过程中,形成了新的混合算法。它利用微粒群算法的全局优化性及最大似然估计的局部寻优性求解高斯混合模型的参数,以提高参数精度。说话人辨认实验表明,与传统的方法相比,新方法可以得到更优的模型参数,使得系统的识别率进一步提高。     

基于GMM的ESP流量应用层协议识别

提出一种高斯混合模型的ESP流量应用层协议识别技术,采用同步采集和流量模拟2种方式构造ESP数据集,建立HTTP、FTP、SMTP和TELNET 4种协议的ESP流量高斯混合模型,并对该模型进行测试,结果表明,高斯混合模型对ESP流量具有较好的协议识别能力,可利用ESP流量的网络层特征识别其应用层协议。     

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。     

基于分水岭变换和图割的彩色图像快速分割

基于图割理论的图像分割具有结合多种知识的统一图像分割框架,可获取全局最优解,但海量的像素级处理单元以及为达到一定分割精度而采用的迭代求解模式,导致算法分割效率不高。以GrabCut算法为基础,通过分水岭变换,将图像划分成区域内颜色相似的若干分块,以各个块内像素的RGB均值代表所在分块的全部像素点来估计高斯混合模型参数,使问题规模减小,算法效率得到提高。     

基于CSMDEM算法的GMM学习方法

基于Mahalanobis距离的EM(MDEM)算法存在过分裂问题。为此,提出一种竞争结束MDEM(CSMDEM)算法。该算法将最小描述长度准则作为竞争结束条件嵌入到MDEM算法中,能够在估计混合模型参数的同时选择模型阶数。实验结果表明,该算法具有较低的平均EM迭代次数,能够较好地拟合高斯混合模型。当其被应用到跳频网台分选时,能够以较高的正确率分选跳频信号。     

基于拓扑独立成分分析和高斯混合模型的视频语义概念检测

针对目前词袋模型(BoW)视频语义概念检测方法中的量化误差问题,为了更有效地自动提取视频的底层特征,提出一种基于拓扑独立成分分析(TICA)和高斯混合模型(GMM)的视频语义概念检测算法。首先,通过TICA算法进行视频片段的特征提取,该特征提取算法能够学习到视频片段复杂不变性特征;其次利用GMM方法对视频视觉特征进行建模,描述视频特征的分布情况;最后构造视频片段的GMM超向量,采用支持向量机(SVM)进行视频语义概念检测。GMM是BoW概率框架下的拓展,能够减少量化误差,具有良好的鲁棒性。在TRECVID 2012和OV两个视频库上,将所提方法与传统的BoW、SIFT-GMM方法进行了对比实验,结果表明,基于TICA和GMM的视频语义概念检测方法能够提高视频语义概念检测的准确率。     

结合小波变换与图像分割的快速目标提取

基于图割理论的GrabCut算法具有全局最优性和结合多种知识的统一性,但其基于全部像素点的参数估计以及为达到一定分割精度采取的迭代求解模式,使算法效率大大降低。以GrabCut算法为基础,通过小波变换将图像分解,用分解后低频图像的像素点作为GMM参数迭代估计的样本点,减小了问题规模。实验结果表明,算法的效率得到较大提高。     

基于图割的JPEG图像快速分割算法

基于图割理论的GrabCut算法由于使用所有像素来迭代估计高斯混合模型(GMM)参数,算法效率较低。针对该问题,提出一种基于图割的JPEG图像快速分割算法。以GrabCut算法为基础,对JPEG图像中DC系数构成的低频图像进行迭代分割,估计GMM参数以减少训练样本的数目。实验结果表明,该算法能在保证分割精度的前提下缩短高分辨率JPEG图像的分割时间。     

基于分组行进算法的图像修补方法

图像修补是图像恢复研究中的一个重要内容,它的目的是根据图像的现有信息来自动恢复丢失的信息。虽然图像修补的基本思想十分简单,但是许多的图像修补算法都十分复杂,而且难于实现。快速行进算法(FMM)与水平集法(Level Set)相结合进行曲线进化是一种高效的曲线进化算法,该算法的时间复杂度是O(NlbN)。Kim提出了另一种水平集的曲线进化算法——分组行进算法(GMM),该算法的时间复杂度是O(N)。受其启发,为了更快地进行图像修补,提出了一种基于GMM算法的图像修补的新算法,并研究了对GMM算法的细节改进。为了验证算法的快速性,还给出了使用Bertalmio提出的算法、Telea提出的算法以及新算法对同一幅图片进行修补的实验结果。通过比较发现,该新算法在大幅度提高修补速度的同时,仍能保持较好的修补效果。     

一种针对小目标的跟踪算法

给出一种针对小目标跟踪问题的改进算法,该算法将背景建模与粒子滤波相结合对运动目标进行检测跟踪。其中,针对小目标在检测过程中容易出现的漏检问题,算法在进行背景建模时利用粒子滤波反馈的目标运动信息来指导混合高斯背景建模。实验结果表明,该算法能够自动地进行运动目标的跟踪,并且可以克服常规检测算法中小目标的丢失问题。     

基于CUDA的GMM模型快速训练方法及应用

由于能够很好地近似描述任何分布,混合高斯模型(GMM)在模式在识别领域得到了广泛的应用.GMM模型参数通常使用迭代的期望最大化(EM)算法训练获得,当训练数据量非常庞大及模型混合数很大时,需要花费很长的训练时间.NVIDIA公司推出的统一计算设备架构(Computed unified device architecture,CUDA)技术通过在图形处理单元(GPU)并发执行多个线程能够实现大规模并行快速计算.本文提出一种基于CUDA,适用于特大数据量的GMM模型快速训练方法,包括用于模型初始化的K-means算法的快速实现方法,以及用于模型参数估计的EM算法的快速实现方法.文中还将这种训练方法应用到语种GMM模型训练中.实验结果表明,与Intel DualCore PentiumⅣ3.0 GHz CPU的一个单核相比,在NVIDIA GTS250 GPU上语种GMM模型训练速度提高了26倍左右.