一种模糊核聚类算法的改进

从计算方法角度对算法进行改进,引入高斯核函数,改良归一化条件并对迭代过程加以简化,从而改进了模糊核C均值算法.算法性能速度较经典的聚类算法有了较大改进,聚类结果更为快速稳定,并可在多种数据结构条件下进行有效的聚类,计算时间显著减少,克服了传统的模糊核C-均值算法计算时间较长,在样本集不理想的情况下可能导致结果不好等不足.实验结果证实了该改进算法有效性.     

用于多分量线性调频信号的自适应核分布分析

该文针对多分量线性调频信号,提出了一种新的自适应核时频分布-自适应高斯核分布,并给出了有效的核函数估计准则;以自适应高斯核分布为例,分析了采用自适应核时频分布对信号自身项及交叉项的影响,从而说明自适应核相对于固定核的优势所在;总结了基于模糊域自适应设计多分量线性调频信号核函数的一般方法。计算机仿真结果表明了自适应高斯核分布在抑制交叉项并保持较高时频分辨力方面的有效性。     

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。     

基于GLCM和EM算法的纹理图像分割

基于纹理图像的特征,提出了基于灰度共生矩阵（GLCM）和快速极大似然估计（EM）算法相结合的纹理图像分割新算法,为了获得较好的纹理图像分割结果该算法采用灰度共生矩阵的三个常用特征并在四个方向上求平均,从而克服了方向的影响。采用欧式距离度量函数求得两特征向量的距离。通过用改进EM算法对距离矩阵进行聚类,得到纹理图像的初始分割结果,最后用形态学的方法实现对纹理图像边界的精确定位。     

基于快速EM算法的马尔可夫随机场模型运动目标自动分割

文章提出一种基于高斯马尔可夫随机场(GMRF)模型的运动目标自动分割算法。该算法采用高斯混合分布描述视频序列的差分图像，对标准Expectation—Maximization(EM)算法进行了改进，提出了快速EM算法。从不完整数据中估计出概率模型的参数。在此基础上建立马尔可夫随机场模型，构造系统能量函数。然后通过条件迭代模型(ICM)优化算法求解能量函数的最优解，得出标记场，提取出运动目标。实验结果证明，该算法对运动目标分割具有很好的分割效果。     

EM算法的改进及其在行为识别中的应用

EM算法是求解GMM参数的传统算法,当样本数据规模比较大、GMM高斯成分数量比较高时,EM算法需要很长的时间才能收敛。提出了一种改进的EM算法,通过设置适当的参数,利用改进后的EM算法求解GMM参数,相比原EM算法在运行速度上有了很大的提高;进一步,结合GMM超向量以及SVM分类器,将改进后的EM算法应用到对KTH人体行为数据库的识别中,相比原EM算法识别准确率只受到了很小的影响。     

基于EM算法的低剂量CT图像去噪

提高低剂量CT图像的信噪比是使其获得有效临床应用的关键.文中针对低剂量CT投影数据极低信噪比特性以及投影数据噪声所特有的非平稳高斯特性,提出采用EM(Expectation-Maximization)算法通过求解图像后验概率的条件期望值最大的方法达到图像复原目的,同时在算法中实现了图像模型参数的估计,并且引入Gibbs采样技术,很好的解决了算法计算问题.计算机仿真及真实投影数据的实验表明,本文算法无论从复原图像的可视化效果上还是从噪声-分辨率关系的定量分析上,都具有一定优势.     

基于乘积性模糊函数的核函数设计方法

利用乘积性模糊函数,提出一种双线性时频分布的核函数设计新方法,能够在模糊域有效地抑制噪声和多分量间的交叉项.在多分量强弱信号环境中,提出基于逐次减小误差的递归算法重构强信号,减小传统分析方法的残余信号影响和参数误差传播效应.利用分段近似的原则,可将非线性调频信号分解为多分量线性调频信号,从而将核函数设计方法推广到非线性调频信号环境.最后,仿真结果证实了该方法对多分量调频信号的有效性.     

基于EM算法的非高斯噪声参数估计

EM算法是一种从＂不完全数据＂中求解模型参数的极大似然估计的方法,在非高斯噪声的参数估计问题中是一种比较优秀的算法。非高斯噪声的参数估计问题的主要困难是充分统计量是不存在的,这意味着从观测空间到估计空间的映射依赖于这里试图估计的参数。在未知噪声概率密度的情况下,EM算法可以更准确地对非高斯噪声参数进行估计,估计方差接近C-R下界。     

Data Clustering Method Using a Modified Gaussian Kernel Metric and Kernel PCA

Most hyper‐ellipsoidal clustering (HEC) approaches use the Mahalanobis distance as a distance metric. It has been proven that HEC, under this condition, cannot be realized since the cost function of partitional clustering is a constant. We demonstrate that HEC with a modified Gaussian kernel metric can be interpreted as a problem of finding condensed ellipsoidal clusters (with respect to the volumes and densities of the clusters) and propose a practical HEC algorithm that is able to efficiently handle clusters that are ellipsoidal in shape and that are of different size and density. We then try to refine the HEC algorithm by utilizing ellipsoids defined on the kernel feature space to deal with more complex‐shaped clusters. The proposed methods lead to a significant improvement in the clustering results over K‐means algorithm, fuzzy C‐means algorithm, GMM‐EM algorithm, and HEC algorithm based on minimum‐volume ellipsoids using Mahalanobis distance.     

基于最小二乘的多特征概率数据关联EM方法

提出了一种多目标多特征信息的数据关联算法。在强噪声密集杂波环境下,针对传统PDA算法对多目标跟踪时出现精度较差的问题,在跟踪过程中融入目标的特征状态信息,利用期望极大化（EM）算法对目标状态估计的最小二乘（LS）误差函数迭代求最小,将目标运动状态和特征联合的关联概率作为估计参数不断修正,从而获得对目标状态的最优估计。仿真结果表明,该算法能够增强区分目标和杂波的能力,减小相近特征量测所引起的跟踪误导,弱化对检测概率的依赖性,显著并稳定地提高对目标的跟踪精度。      

基于期望最大化算法的捷变频联合正交频分复用雷达高速多目标参数估计

参数估计对雷达的目标检测和识别有着重要的意义。该文提出了一种基于期望最大化(EM)算法的捷变频联合正交频分复用(FA-OFDM)雷达高速多目标参数估计方法。首先,将窄带正交频分复用(OFDM)信号与传统捷变频雷达相结合,在每个脉冲宽度内同时发射多个载频随机跳变的子载波。然后,对单个脉冲内所有子载波的回波进行脉冲压缩和稀疏重构处理,得到1维高分辨距离。进一步地,将多个目标在不同脉冲时刻的高分辨距离信息构成观测数据,建立混合高斯模型。采用EM算法对模型参数和多个目标的距离、速度进行估计,并同时拟合多条时间-距离直线。直线斜率对应目标速度,直线纵轴截距对应目标初始距离。最终,分别分析了信噪比(SNR)对检测概率以及目标速度对相对估计误差的影响。仿真实验验证了所提算法的有效性。

     

基于期望值最大算法的图像融合

文中提出了一种基于期望值最大的图像融合方法。该方法首先假设图像对场景的成 像模型。以期望值作为目标函数,通过使目标函数最大的方法确定该模型的参数,估计出真实场景,进而得到理想的融合图像。试验表明,该方法比传统的基于加权平均和选择的方法具有更好的融合效果。     

基于高斯核显性映射的核归一化解相关仿射投影P范数算法

为了降低核仿射投影P范数(KAPP)算法的计算量和存储容量,提高在输入信号强相关时KAPP算法的收敛速度和稳态性能,该文提出基于高斯核显性映射的核归一化解相关APP(KNDAPP-GKEM)算法。该算法利用归一化解相关方法预先解除输入信号的相关性;利用高斯核显式映射方法近似得到显式核函数,消除了对历史数据的依赖,解决了KAPP算法因结构不断生长导致的计算量和存储容量过大的问题。α稳定分布噪声背景下的非线性系统辨识仿真结果表明,在输入信号强相关时KNDAPP-GKEM算法收敛速度快,非线性系统辨识稳态均方误差小,训练所需时间呈线性缓慢增长,有利于实际非线性系统辨识的应用。

     

基于遗传算法的套筒单极子天线的优化设计

研究了套筒单极子天线的优化设计。文中采用将圆盘地面和套筒单极子天线整体分析的计算模型 ,运用矩量法结合基于小生境技术的遗传算法对其进行优化设计。最后 ,设计出一种工作在 110 - 390MHz频段、VSWR <3.0的实用套筒天线 ,分析计算结果与实验结果吻合良好 ,验证了本文方法的有效性和实用性。     

Optimal Design of FIR Digital Filter Using Genetic Algorithm

１ＩｎｔｒｏｄｕｃｔｉｏｎＧｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ（ＧＡ）ｆｏｕｎｄｂｙＪ．Ｈ．Ｈｏｌａｎｄ［１］ｉｓａｒｏｂｕｓｔａｎｄｅｆｉｃｉｅｎｔｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｃｅｄｕｒｅｗｈｉｃｈｉｓｃａｐａｂｌｅｏｆｆｉｎｄｉｎｇｔｈｅｇｌｏｂａ...     

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。      

Expectation Maximization Method for Effective Detection and Tracking of Object Using Machine Learning Technique for Secure Wireless Communication

Wireless Personal Communications - Object detection is one of the most important computer vision tasks that is used synonymous to object recognition which comprises the mission of identifying the...