資源描述：
《基于em算法的模型聚類的研究及應用》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、江南大學碩士學位論文基于EM算法的模型聚類的研究及應用姓名：岳佳申請學位級別：碩士專業(yè)：計算機軟件與理論指導教師：王士同20070601基于EM算法的模型聚類的研究及應用作者：岳佳學位授予單位：江南大學相似文獻(10條)1.期刊論文岳佳.王士同.YUE.JIA.WANGSHITONG高斯混合模型聚類中EM算法及初始化的研究-微計算機信息2006,22(33)EM算法是參數(shù)估計的重要方法,其算法核心是根據(jù)已有的數(shù)據(jù)來迭代計算似然函數(shù),使之收斂于某個最優(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).運用EM算法來實現(xiàn)高斯混合模型聚類,如何
2、初始化EM參數(shù)便成為一個關(guān)鍵的問題.在比較其他的初始化方法的基礎上,引入"binning"法來初始化EM.實驗結(jié)果表明,應用binning法來初始化EM的高斯混合模型聚類優(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)督學習算法-計算機研究與發(fā)展2004,41(1)提出了一種基于分層高斯混合模型的半監(jiān)督學習算法.半監(jiān)督學習算法的學習樣本包括已標記類別樣本和未標記類別學習樣本.如用高斯混合模型擬合每個類別已標記學習樣本的概率分布,進而用高斯數(shù)為類別數(shù)的分層高斯混合模型擬合全部(已標記和未標記)學習樣本的分布,則
3、形成為一個基于分層的高斯混合模型的半監(jiān)督學習問題.基于EM算法,首先利用每個類別已標記樣本學習高斯混合模型,然后以該模型參數(shù)和已標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)督學習算法.以銀行票據(jù)印刷體數(shù)字識別做實驗,實驗結(jié)果表明,本算法能夠獲得較好的效果.3.會議論文王瑩.景新幸.楊海燕改進EM算法的高斯混合模型在說話人識別中的應用2008在與文本無關(guān)的說話人識別方式下，高斯混合模型(GMM)是目前應用最為廣泛和最為有效的識別方法，而對于高斯混合模型進行極大似然估計的一個很好的工具就是期望最大化(Ex
4、pectationMaximization，EM)算法。然而，EM算法有個顯著的缺陷，就是收斂速度比較慢，有時會收斂于局部最小值，而不能得到全局最優(yōu)解，使得聚類效果受到影響。本文提出一種改進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了EM算法的GMM，并在說話人識別中進行了驗證，實驗證明，改進EM算法的GMM對提高識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學習算法-山西師范大學學報（
5、自然科學版）2005,19(1)本文研究了一類基于無監(jiān)督聚類學習的算法--EM算法的算法實現(xiàn).EM算法通常用于存在隱含變量時的聚類學習,由于引入了隱含變量,導致算法難以保證收斂和達到極優(yōu)值.本文通過將該算法應用于高斯混合模型的學習,引入重疊度分析的方法改進EM算法的約束條件,從而能夠確保EM算法的正確學習.5.學位論文李宇基于改進的高斯混合模型的說話人識別的研究2004該論文詳細研究了基于高斯混合模型(GMM)及其改進模型的無文本說話人識別系統(tǒng).該論文完成的工作有:(1).建立了一個包括30個說話人的語音庫.(2).完成了語音特征MFCC
6、的提取,討論了提取過程中的一些問題.(3).介紹了正交高斯混合模型及其在說話人識別中的具體應用.傳統(tǒng)的高斯混合模型(GMM)常常假定協(xié)方差矩陣為對角線矩陣,但需大量的混合成員來表征分布情況,這將會導致訓練量的增加.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,這樣得到的對角線協(xié)方差矩陣可以更準確地反映分布的情況.基于正交高斯混合模型的說話人識別實驗表明該算法在說話人識別方面比傳統(tǒng)的GMM算法有更好的效果并具有良好的應用前景.(4).把進化算法應用到GMM和正交GMM的參數(shù)訓練中.傳統(tǒng)
7、的EM算法作為一種梯度算法,獲得的只是一個局部最優(yōu)解,而進化計算有很強的全局搜索能力.該文引入以進化策略為主的進化方法來改進EM算法.然后用這種進化算法分別訓練GMM和正交GMM.實驗得出:基于進化混合算法的正交GMM說話人識別系統(tǒng)與基于EM算法的GMM和正交GMM說話人識別系統(tǒng)相比,識別率有所提高.6.期刊論文劉建明.侯紀周.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)絡基于高斯混合模型的呼叫接入控制問題.提出了使用高斯混合模型來近似聚合通信流帶寬分布的概率密度函數(shù),通過EM算法來估計混合模型的參數(shù)
8、并導出了基于高斯混合模型的允許接入控制公式.7.學位論文熊漢春EM算法在模式識別中的應用研究1998在模式識別領域中,模式分類器和訓練算法一直是國內(nèi)外研究的熱門課題之一.該文就EM算法在模式識
