改进批处理RPEM算法用于说话人识别

针对传统EM算法训练GMM不能充分利用训练数据所属高斯分量信息, 从而在一定程度上影响说话人识别性能的缺陷, 采用RPEM (竞争惩罚EM)算法训练GMM, 并引入批处理RPEM算法解决RPEM算法运算量大、收敛速度慢的问题, 同时针对RPEM和批处理RPEM算法训练时方差优化存在的问题进行了改进, 提出了改进的批处理RPEM算法。在Chains 说话人识别数据库上的实验表明, 改进的批处理RPEM算法取得了相对于传统EM、RPEM以及批处理RPEM算法更好的性能, 还极大地提高了训练效率, 减小了运算量, 说明了提出的改进批处理RPEM算法用于说话人识别时的有效性。     

二型Takagi-Sugeno-Kang模糊模型和不确定高斯混合模型的等价性

不确定的高斯混合模型和二型Takagi-Sugeno-Kang(TSK)模糊模型之间的对应关系被建立: 任何一个不确定的高斯混合模型都唯一对应着一个二型TSK模糊系统, 不确定的高斯混合模型的条件均值和二型TSK模糊系统的输出是等价的. 基于此, 一种设计二型模糊系统的新方法被提出: 通过建立不确定的高斯混合模型确定二型TSK模糊系统, 即用概率统计的方法设计二型模糊系统. 仿真实验结果表明利用不确定高斯混合模型设计的二型模糊系统比其它模型具有更强的抗噪性和更快的速度.     

含局部空间约束的t分布混合模型的点集配准

基于高斯混合模型（Gaussian mixture model,GMM）的点集非刚性配准算法易受重尾点和异常点影响,提出含局部空间约束的t分布混合模型的点集非刚性配准算法. 通过期望最大化（Expectation maximization,EM）框架将高斯混合模型推广为t分布混合模型;把Dirichlet分布作为浮动点的先验权重,并构造含局部空间约束性质的Dirichlet 分布参数. 使用EM算法获得配准参数的闭合解;计算浮动点的自由度,改变其概率密度分布,避免异常点水平估计误差. 实验表明,本文提出的配准算法具有配准误差小、鲁棒性好、抗干扰能力强等优点.     

热含量不变量的SAR图像点特征变化检测

针对区域变化检测受分类器精度影响大、无法探测出内部细微变化这一问题,本文提出了基于热含量不变量的合成孔径雷达（Synthetic aperture radar,SAR）图像点特征变化检测.该方法利用热核特征,具有计算简便、矩阵扰动性小的特点,且有效地降低了噪声的干扰.由热核不变量的统计特性,采用期望极大化（Expectation maximization,EM）算法解决了SAR图像的自动变化检测.同时通过对权的讨论,给出了适用于SAR图像的权函数定义.对单波段单极化SAR与多极化SAR图像,本文算法相比于基于像素和似然比的方法,能够更快速更精确地检测到变化区域.     

退火期望最大化算法A-EM

使用EM算法训练随机多层前馈网具有低开销、易于实现和全局收敛的特点,在EM算法的基础上提出了一种训练随机多层前馈网络的新方法A-EM. A-EM算法利用热力学系统的最大熵原理计算网络中隐变量的条件概率,借鉴退火过程,引入温度参数,减小了初始参数值对最终结果的影响.该算法既保持了原EM算法的优点,又有利于训练结果收敛到全局极小.从数学角度证明了该算法的收敛性,同时,实验也证明了该算法的正确性和有效性.     

基于混合高斯模型的窄带目标跟踪方法

基于混合高斯模型的轨迹分布融合方法适用于窄带目标跟踪系统.这种算法针对宽带跟踪结果的不精确,目标模糊,窄带跟踪需要依赖人工实现的问题,提出了一种基于混合高斯模型的自动窄带目标跟踪技术.该方法首先将目标方位分布看做是混合高斯模型,利用期望最大化算法估计混合高斯模型中的参数,然后利用混合高斯模型对目标方位进行聚类,最后利用平均加权法对目标方位进行融合,得到清晰稳定的目标跟踪结果.     

基于Markov四叉树模型的无监督图像分割

本文提出了一种基于分布特征的多尺度无监督图像分割方法。通过对多尺度图像数据在每个尺度上进行Gauss子集聚类,并将每个像素的邻域内的Gauss子集类别标记作为特征向量,利用多尺度Markov模型进行二次聚类,从而实现无监督图像分割。与其它基于多尺度Markov模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。对合成图像与SAR图像的实验结果表明,该方法的分割精度接近于有监督的H—MPM和H—SMAP方法。     

一种多尺度无监督遥感图像分割方法

提出了一种多尺度无监督遥感图像分割方法。通过对多尺度图像数据在每个尺度上进行Gauss子集聚类,并将每个像素的邻域内的Gauss子集类别标记作为特征向量,利用Markov四叉树模型进行二次聚类,从而实现无监督图像分割。与其他基于多尺度Markov模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。合成图像与SAR图像的实验结果表明,该方法的分割精度接近于有监督的H-MPM和H-SMAP方法。     

非线性时间序列建模的混合自回归滑动平均模型

提出了一类用于非线性时间序列建模的混合自回归滑动平均模型(MARMA).该模型是由K个平稳或非平稳的ARMA分量经过混合得到的.讨论了MARMA模型的平稳性条件和自相关函数.给出了MARMA模型参数估计的期望极大化(expectation maximization)算法.运用贝叶斯信息准则(Bayes information criterion)来选择该模型.MARMA模型分布形式富于变化的特征使得它能够对具有多峰分布以及条件异方差的序列进行建模.通过两个实例验证了该模型,并和其他模型进行比较,结果表明MARMA模型能够更好地描述这些数据的特征.     

含缺失数据的小波-卡尔曼滤波故障预测方法

研究了复杂系统存在缺失数据时的故障预测问题.首先,针对测试数据的非平稳性,在小波-卡尔曼滤波预测模型的基础上进行了改进,并 利用期望最大化算法对模型参数进行了在线更新,提高其对非平稳时间序列的预测能力;其次,将数据缺失通过一个满足伯努利分布的随机变量描 述,实现了缺失数据情况下小波-卡尔曼滤波状态估计.基于此,提出了缺失数据下的故 障预测算法;最后,通过数值仿真和实例验证,说明了所提算法的有效性和可行性.     

基于多特征的SAR图像多尺度无监督分割

提出一种基于多特征的SAR图像多尺度无监督分割方法.该方法采用隐Markov树(hidden Markov tree,HMT)模型对SAR图像的灰度数据与标准差数据分别建模并分割,由两个分割结果提取SAR图像的结构性信息,并根据结构性信息,对灰度分割的后验概率进行平滑,最终的分割结果表明,该方法在很少损失结构性信息的基础上,能得到更光滑的分割结果.     

基于Epanechnikov混合模型的中心化模糊模型

基于Epanechnikov混合模型提出了一种新的模糊模型——具有多维隶属度函数的规则中心化模糊模型.它容易设计:任何一个Epanechnikov混合模型都唯一对应着一个规则中心化的模糊模型,Epanechnikov混合模型的条件期望输出是规则中心化的模糊模型的去模糊化输出; 它具有高度的可解释性:其规则后件恰好是其输出在规则中心的一阶Taylor级数展开; 它采用了多维隶属度函数,考虑了输入数据各个分量之间的相关性,更符合实际问题.对两个典型实例的仿真实验表明,由Epanechnikov混合模型设计的规则中心化的模糊模型比其他模糊模型速度快、精度高、鲁棒性好.     

空间约束层次加权Gamma混合模型的SAR图像分割

目的 合成孔径雷达（SAR）图像中像素强度统计分布呈现出复杂的特性,而传统混合模型难以建模非对称、重尾或多峰等特性的分布。为了准确建模SAR图像统计分布并得到高精度分割结果,本文提出一种利用空间约束层次加权Gamma混合模型（HWGaMM）的SAR图像分割算法。方法 采用Gamma分布的加权和定义混合组份;考虑到同质区域内像素强度的差异性和异质区域间像素强度的相似性,采用混合组份加权和定义HWGaMM结构。采用马尔可夫随机场（MRF）建模像素空间位置关系,利用中心像素及其邻域像素的后验概率定义混合权重以将像素邻域关系引入HWGaMM,构建空间约束HWGaMM,以降低SAR图像内固有斑点噪声的影响。提出算法结合M-H（Metropolis-Hastings）和期望最大化算法（EM）求解模型参数,以实现快速SAR图像分割。该求解方法避免了M-H算法效率低的缺陷,同时克服了EM算法难以求解Gamma分布中形状参数的问题。结果 采用3种传统混合模型分割算法作为对比算法进行分割实验。拟合直方图结果表明本文算法具有准确建模复杂统计分布的能力。在分割精度上,本文算法比基于高斯混合模型（GMM）、Gamma分布和Gamma混合模型（GaMM）分割算法分别提高33%,29%和9%。在分割时间上,本文算法虽然比GMM算法多64 s,但与基于Gamma分布和GaMM算法相比较分别快600 s和420 s。因此,本文算法比传统M-H算法的分割效率有很大的提高。结论 提出一种空间约束HWGaMM的SAR图像分割算法,实验结果表明提出的HWGaMM算法具有准确建模复杂统计分布的能力,且具有较高的精度和效率。     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

基于时空运动特征的运动姿态视频检索方法

提出了一种人体运动姿态视频检索的新方法,整体算法分为典型姿态学习和姿态检索两个阶段。首先提取样本库中人体姿态的时空运动特征点作为姿态运动底层特征,一个姿态对应一个时空特征点集合;计算每个特征点的时空三维邻域中像素的梯度,进而为每个姿态建立一个梯度直方图;其次,采用非监督的聚类方法对姿态样本归类,按照语义要求提取多个典型姿态;最后,用基于EM的高斯混合模型对聚类结果建模,形成典型姿态检索的分类器,完成姿态建模的的学习阶段。运动姿态的视频检索是根据最大概率匹配准则,对输入的测试视频进行姿态匹配,从而实现基于语义的姿态检索。基于Weizmann和KTH标准测试视频库的大量实验结果表明,本文提出的方法能够准确有效地检索人体运动姿态。     

求解大尺度优化问题的学生t-分布估计算法

针对处理大尺度全局优化问题,提出一种基于自适应t-分布的分布估计算法(EDA-t).该算法不仅求解效果良好,而且求解速度也比同类型算法快.其基本思想是：在迭代搜索过程,首先利用期望最大化算法对演化种群进行概率主成分分析,然后根据得到的概率隐变量建立算法的概率模型,并通过t-分布自由度自适应方法,在算法收敛停滞时跳出局部最优.由于在构建模型时进行了数据降维,在不影响算法求解精度的前提下,其计算开销得到了明显降低.通过和目前主流的演化算法在大尺度优化测试函数上的仿真实验和分析,验证了所提算法的有效性和适用性.     

混合空间新型贝叶斯网络模型的图像分割应用研究

现有研究工作没有确定概率向量模型的混合部分比例,所以无法解决MCMC方法的迭代收敛性问题。在具有空间平滑约束的高斯混合模型GMM基础上提出新型贝叶斯网络模型并应用于图像分割领域。模型应用隐Dirichlet分布LDA的概率密度模型和Gauss-Markov随机域MRF的隐Dirichlet参数混合过程来实现参数平滑过程,具有如下优点:针对空间平滑约束规范概率向量模型比例;使用最大后验概率MAP和期望最大化算法EM完成闭合参数的更新操作过程。实验表明,本模型比其他应用GMM方法的图像分割效果好。该模型已成功应用到自然图像和有噪声干扰的自然艺术图像分割过程中。     

面部表情识别方法综述

介绍了表情识别难点及研究现状;重点阐述了不同的人脸表情特征提取方法和基于分类器的表情识别方法,并对各种方法进行了简单的分析比较;最后针对鲁棒性的需求,给出了人脸表情识别未来要研究的重点内容。     

基于遗传算法的SAR图像多尺度分割

基于最大期望（EM）算法与遗传算法（GA）,提出一种有效的多尺度SAR图像无监督分割方法。该方法首先利用混合多尺度自回归（MMAR）模型描述SAR图像中由于雷达斑点所引起的不同尺度和同一尺度内像素之间的统计相依性; 然后将GA与EM结合给出MMAR模型的参数估计算法。这种算法利用最小描述长度（MDL）准则,能够选择模型的分量数;最后利用Bayes分类器实现图像的分割。该方法集遗传算法和EM算法的优点,对初始值有较少的敏感性,避免局部最优解,提高了分割精度。实验结果表明GA EM方法优于EM算法。