基于em算法的模型聚類(lèi)的研究及應(yīng)用

《基于em算法的模型聚類(lèi)的研究及應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、江南大學(xué)碩士學(xué)位論文基于EM算法的模型聚類(lèi)的研究及應(yīng)用姓名：岳佳申請(qǐng)學(xué)位級(jí)別：碩士專(zhuān)業(yè)：計(jì)算機(jī)軟件與理論指導(dǎo)教師：王士同20070601基于EM算法的模型聚類(lèi)的研究及應(yīng)用作者：岳佳學(xué)位授予單位：江南大學(xué)相似文獻(xiàn)(10條)1.期刊論文岳佳.王士同.YUE.JIA.WANGSHITONG高斯混合模型聚類(lèi)中EM算法及初始化的研究-微計(jì)算機(jī)信息2006,22(33)EM算法是參數(shù)估計(jì)的重要方法,其算法核心是根據(jù)已有的數(shù)據(jù)來(lái)迭代計(jì)算似然函數(shù),使之收斂于某個(gè)最優(yōu)值.EM算法收斂的優(yōu)劣很大程度上取決于其初始參數(shù).運(yùn)用EM算法來(lái)實(shí)現(xiàn)高斯混合模型聚類(lèi),如何

2、初始化EM參數(shù)便成為一個(gè)關(guān)鍵的問(wèn)題.在比較其他的初始化方法的基礎(chǔ)上,引入"binning"法來(lái)初始化EM.實(shí)驗(yàn)結(jié)果表明,應(yīng)用binning法來(lái)初始化EM的高斯混合模型聚類(lèi)優(yōu)于其它傳統(tǒng)的初始化方法.2.期刊論文孫廣玲.唐降龍基于分層高斯混合模型的半監(jiān)督學(xué)習(xí)算法-計(jì)算機(jī)研究與發(fā)展2004,41(1)提出了一種基于分層高斯混合模型的半監(jiān)督學(xué)習(xí)算法.半監(jiān)督學(xué)習(xí)算法的學(xué)習(xí)樣本包括已標(biāo)記類(lèi)別樣本和未標(biāo)記類(lèi)別學(xué)習(xí)樣本.如用高斯混合模型擬合每個(gè)類(lèi)別已標(biāo)記學(xué)習(xí)樣本的概率分布,進(jìn)而用高斯數(shù)為類(lèi)別數(shù)的分層高斯混合模型擬合全部(已標(biāo)記和未標(biāo)記)學(xué)習(xí)樣本的分布,則

3、形成為一個(gè)基于分層的高斯混合模型的半監(jiān)督學(xué)習(xí)問(wèn)題.基于EM算法,首先利用每個(gè)類(lèi)別已標(biāo)記樣本學(xué)習(xí)高斯混合模型,然后以該模型參數(shù)和已標(biāo)記樣本的頻率分布作為分層高斯混合模型參數(shù)的初值,給出了基于分層高斯混合模型的半監(jiān)督學(xué)習(xí)算法.以銀行票據(jù)印刷體數(shù)字識(shí)別做實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,本算法能夠獲得較好的效果.3.會(huì)議論文王瑩.景新幸.楊海燕改進(jìn)EM算法的高斯混合模型在說(shuō)話人識(shí)別中的應(yīng)用2008在與文本無(wú)關(guān)的說(shuō)話人識(shí)別方式下，高斯混合模型(GMM)是目前應(yīng)用最為廣泛和最為有效的識(shí)別方法，而對(duì)于高斯混合模型進(jìn)行極大似然估計(jì)的一個(gè)很好的工具就是期望最大化(Ex

4、pectationMaximization，EM)算法。然而，EM算法有個(gè)顯著的缺陷，就是收斂速度比較慢，有時(shí)會(huì)收斂于局部最小值，而不能得到全局最優(yōu)解，使得聚類(lèi)效果受到影響。本文提出一種改進(jìn)EM算法的GMM。EM算法是一種通用的方法，它能夠最大似然的估計(jì)非完整數(shù)據(jù)結(jié)構(gòu)集的概率分布模型的參數(shù)。本文結(jié)合高斯混合分布的重疊度改進(jìn)了EM算法的GMM，并在說(shuō)話人識(shí)別中進(jìn)行了驗(yàn)證，實(shí)驗(yàn)證明，改進(jìn)EM算法的GMM對(duì)提高識(shí)別率具有一定的作用。4.期刊論文王源.陳亞軍.WANGYuan.CHENYa-jun基于高斯混合模型的EM學(xué)習(xí)算法-山西師范大學(xué)學(xué)報(bào)（

5、自然科學(xué)版）2005,19(1)本文研究了一類(lèi)基于無(wú)監(jiān)督聚類(lèi)學(xué)習(xí)的算法--EM算法的算法實(shí)現(xiàn).EM算法通常用于存在隱含變量時(shí)的聚類(lèi)學(xué)習(xí),由于引入了隱含變量,導(dǎo)致算法難以保證收斂和達(dá)到極優(yōu)值.本文通過(guò)將該算法應(yīng)用于高斯混合模型的學(xué)習(xí),引入重疊度分析的方法改進(jìn)EM算法的約束條件,從而能夠確保EM算法的正確學(xué)習(xí).5.學(xué)位論文李宇基于改進(jìn)的高斯混合模型的說(shuō)話人識(shí)別的研究2004該論文詳細(xì)研究了基于高斯混合模型(GMM)及其改進(jìn)模型的無(wú)文本說(shuō)話人識(shí)別系統(tǒng).該論文完成的工作有:(1).建立了一個(gè)包括30個(gè)說(shuō)話人的語(yǔ)音庫(kù).(2).完成了語(yǔ)音特征MFCC

6、的提取,討論了提取過(guò)程中的一些問(wèn)題.(3).介紹了正交高斯混合模型及其在說(shuō)話人識(shí)別中的具體應(yīng)用.傳統(tǒng)的高斯混合模型(GMM)常常假定協(xié)方差矩陣為對(duì)角線矩陣,但需大量的混合成員來(lái)表征分布情況,這將會(huì)導(dǎo)致訓(xùn)練量的增加.正交高斯混合模型的主要思想是在傳統(tǒng)的GMM之前先將特征矢量變換到由協(xié)方差矩陣的本征向量決定的空間中去,這樣得到的對(duì)角線協(xié)方差矩陣可以更準(zhǔn)確地反映分布的情況.基于正交高斯混合模型的說(shuō)話人識(shí)別實(shí)驗(yàn)表明該算法在說(shuō)話人識(shí)別方面比傳統(tǒng)的GMM算法有更好的效果并具有良好的應(yīng)用前景.(4).把進(jìn)化算法應(yīng)用到GMM和正交GMM的參數(shù)訓(xùn)練中.傳統(tǒng)

7、的EM算法作為一種梯度算法,獲得的只是一個(gè)局部最優(yōu)解,而進(jìn)化計(jì)算有很強(qiáng)的全局搜索能力.該文引入以進(jìn)化策略為主的進(jìn)化方法來(lái)改進(jìn)EM算法.然后用這種進(jìn)化算法分別訓(xùn)練GMM和正交GMM.實(shí)驗(yàn)得出:基于進(jìn)化混合算法的正交GMM說(shuō)話人識(shí)別系統(tǒng)與基于EM算法的GMM和正交GMM說(shuō)話人識(shí)別系統(tǒng)相比,識(shí)別率有所提高.6.期刊論文劉建明.侯紀(jì)周.奚宏生基于GMM與EM算法的呼叫接入控制-通信技術(shù)2002(4)研究了ATM通信網(wǎng)絡(luò)基于高斯混合模型的呼叫接入控制問(wèn)題.提出了使用高斯混合模型來(lái)近似聚合通信流帶寬分布的概率密度函數(shù),通過(guò)EM算法來(lái)估計(jì)混合模型的參數(shù)

8、并導(dǎo)出了基于高斯混合模型的允許接入控制公式.7.學(xué)位論文熊漢春EM算法在模式識(shí)別中的應(yīng)用研究1998在模式識(shí)別領(lǐng)域中,模式分類(lèi)器和訓(xùn)練算法一直是國(guó)內(nèi)外研究的熱門(mén)課題之一.該文就EM算法在模式識(shí)