基于修正EM算法的说话人识别的研究

提出了针对说话人识别的GMM模型训练的新方法。理论推导和实验结果表明,与GMM常用的传统EM算法相比,提出的新算法能够解决训练中会出现奇异阵的问题,并能提高系统识别率。     

基于GMM模型的声纹识别模式匹配研究

模式匹配是声纹识别的关键问题之一,为了提高识别正确率和识别效率,本文采用GMM模型建模,训练阶段利用EM算法求取参数集,并通过MAP准则实现模式识别。引入LBG算法求取起始参数值,并设计了基于3种方法的联合判决门限决策。实验结果表明 GMM模型利用平均值向量和协方差矩阵使它具有更好的模型能力,当高斯混合数为32时识别率达到最高,联合判决门限决策有效降低了误识率与虚警率,并提高了识别效率。     

基于说话人识别的GMM/GA算法

在实时平台上,高斯混合模型(GMM)具有计算有效性和易于实现的优点。最大似然规则中,模型参数不断更新,但由于爬山特征,任意的原始模型参数估计通常将导致局部最优;遗传算法(GA)适于求解复杂组合优化问题及非线性函数优化。提出了基于说话人识别的可以解决GMM局部最优问题的GMM/GA新算法,实验结果表明,提出的GMM/GA新算法比纯粹的GMM算法能获得更优的效果。     

基于高斯混合模型的衍射成像算法

编码衍射成像系统中记录的测量值丢失了相位,而相位含有关于图像的大部分结构信息.如何利用无相位测量值重构原始图像是相位恢复（Phase Retrieval,PR）算法面临的一个重要问题.由期望最大（EM）算法训练高斯混合模型（GMM）的最优参数,任一图像块可以选用GMM中某一模型分量最佳表示.基于该认识,本文利用GMM的统计特性融合数据保真项构造PR优化问题,并用加速邻近梯度法求解该问题.实验结果表明,该算法在噪声强度较大、编码衍射图案较少的情况下仍能获得较高质量的图像重构.     

基于球面交点的AFM算法的误差分析与改进方法

基于球面交点的模糊度函数法是一种利用GPS信号求解载体姿态的有效算法,但其成功率受观测噪声影响很大,针对这一问题,该文对该算法进行了误差分析并提出提高成功率的改进方法。首先将原算法推广到双差观测模型,然后分析噪声的统计特性和误差传播的特点,深入研究了其对姿态解算成功率的影响,最后通过整周模糊度识别算法降低求解过程对噪声的敏感性。实验表明:相比于原算法,改进算法有效地提高了GPS姿态解算的成功率,同时消除了原算法对公共时钟的限制。     

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.     

针对说话人识别进行的加权小波去噪方法

采用改进的小波去噪方法对含噪语音进行了前端处理,并针对说话人识别的特点,在小波重构之前对各小波系数进行加权处理;识别过程采用GMM识别算法。实验结果显示,相比纯粹使用MFCC作为识别特征的说话人识别提出的方法对于含噪说话人识别有明显的优越性。该方法对实时说话人识别有很好的指导作用。     

不规则地形地波传播衰减因子的改进算法及结果一致性研究

针对低频地波衰减因子预测算法中积分方程算法与其它经典算法在均匀/分段均匀光滑路径模型下求解结果不一致的问题进行研究分析。引入球面校正因子和高程转换技术,对积分方程方法进行改进,提高其与其它经典算法在光滑路径模型下预测结果的一致性。在此基础上,将改进算法用于实际不规则地面模型地波衰减因子预测,并与实测结果进行比较。与原算法相比,改进后的算法更适合考虑地球曲率影响下复杂长距离地面及空中地波衰减因子的求解。     

基于LPC分析的语音特征参数研究及其在说话人识别中的应用

对LPC（线性预测系数）参数及其派生参数进行了研究，重点讨论了各参数的计算方法，在此基础上提出了一种由LPC参数和语音帧能量构成的组合参数。利用GMM对20个说话人进行了闭集文本无关说话人识别实验。结果表明，与LPC参数的派生参数相比，该组合参数可以以较少的运算量取得与LPC派生参数相当的识别效果；与直接使用LPC参数相比，该组合参数能够在运算量增加不明显的情况下改进系统的性能，特别是在测试音长度较短的情况下，对性能的改进尤为明显。     

高斯噪声中的参数盲估计

盲信号处理方法中常忽略噪声的影响,而实际问题中噪声的影响是存在的.本文主要讨论了在协方差矩阵未知的加性高斯噪声中混合系数的盲估计问题.本文以最大似然估计为基础,提出一种求解参数的最优化算法,给出了混合矩阵和协方差矩阵的计算式.采用高斯混合模型(GMM)来逼近源信号的概率密度函数,简化了算法中的积分,导出了一种基于EM算法的迭代式.仿真表明,算法不仅能稳定收敛,而且在低信噪比下也能获得良好性能.     

基于GMM与EM算法的呼叫接入控制

【摘要】研究了ATM通信网络基于高斯混合模型的呼叫接入控制问题。提出了使用高斯混合模型来近似聚合通信流带宽分布的概率密度函数,通过EM算法来估计混合模型的参数并导出了基于高斯混合模型的允许接入控制公式。     

基于高斯混合模型的车辆字符识别算法

在基于统计方法的车牌字符识别算法中,为了更有效地描述车牌字符特征的类条件概率密度,提出了一种基于高斯混合模型(GMM)的识别方法.首先采用Gabor变换来提取车牌字符的特征参数,然后通过GMM来逼近字符特征的类条件概率密度分布,最后根据得到的类条件概率密度分布函数构造贝叶斯分类器.其中,GMM的参数估计采用EM算法.实验表明,这种方法具有良好的字符识别效果、较强的鲁棒性以及较大的应用价值.     

基于独立混合模型的EM算法参数初始化实现方法

隐马尔科夫树( Hidden Markov Tree, HMT )的状态不能被观测到,只能观测到另一个与状态有联系的量,通过观测量估计HMT模型参数是一个不完全数据参数估计问题。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,可以用于解决不完全数据参数估计问题,因此被广泛应用于HMT模型的参数估计中。当初始参数偏离真实参数较大时,EM算法迭代次数多,收敛速度慢,通过一个计算量不大的参数初始化处理,能够有效减少EM算法的迭代次数,加快收敛速度。本文提出了一种基于独立混合模型的参数初始化方法,详细介绍了该方法的实现过程,通过采用独立混合模型进行参数初始化,使得EM算法的迭代次数明显减少,收敛速度大大提高。最后,计算机仿真验证了该方法的可行性和有效性。      

基于高斯混合模型的非视距定位算法简

针对无线传感器网络室内节点定位,在分析定位误差模型的基础上,结合高斯混合模型提出了一种无需先验知识的节点定位算法。利用高斯混合模型,对含有非视距误差的距离测量信息进行训练,以获得接近真实值的距离估计值。为取得高精度的定位效果,采用粒子群算法对期望最大化 (EM)算法进行优化。同时结合优选残差加权算法对所得的距离值进行定位估计,得出目标节点坐标估计值。仿真实验结果证实了算法的有效性。     

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。     

基于核模糊C-均值和EM混合聚类算法的遥感图像分割

针对聚类算法在应用中分割速度慢、抑制噪声能力弱等问题,本文提出一种基于核模糊C-均值(Kernel Fuzzy Cmeans,KFCM)和融合期望最大化(EM)算法混合聚类的遥感图像分割。首先给原始KFCM算法引入隐含变量来对像素预定义类别,然后利用EM算法评价预定义的类别是否最优,以此完成对遥感图像的聚类分割。在利用EM算法进行评价时,对KFCM引入空间邻域信息,采用惯性权重对其初始化参数进行优化增强算法效率。与传统的聚类分割方法进行比较,研究结果表明,该方法速度快、效果好、精度也能满足应用要求,具有较高的应用价值。     

自适应类别的层次高斯混合模型遥感影像分割

为了实现自动确定类别数的高精度遥感影像分割,提出一种自适应类别的层次高斯混合模型（Hierarchical Gaussian Mixture Model,HGMM）遥感影像分割算法.提出算法采用多个高斯混合模型加权和定义HGMM,用于建模具有非对称,重尾和多峰等复杂特性的影像统计模型.采用期望最大化算法（Expectation Maximization,EM）求解模型参数.为了实现自动确定类别数,采用贝叶斯信息准则（Bayesian Information Criterion,BIC）求解最优类别数,其中惩罚项采用加权像素数定义.为了验证提出算法可行性和有效性,对模拟和全色遥感影像进行分割实验,并对分割结果进行定性和定量分析.结果表明HGMM具有准确建模复杂统计分布的能力,提出算法具有高精度和高效率,同时可自动确定最优类别数.     

基于EM参数“软”估计的SAR图像分割

借助EM算法和模糊理论,提出了一种基于参数"软"估计和Markov随机场的SAR图像无监督分割方法。首先利用多维空间的EM算法估计随机场的模型参数,并根据随机场模型参数分别计算观测数据的条件概率和标记图像的先验概率,继而根据最大后验概率准则将图像分成具有相似统计特性的同质区域,重复以上步骤直至收敛。通过与传统的参数"硬"估计分割算法的实验比较,该算法能更好保持图像边缘细节,区域连通性更好。