采用期望最大化算法的半滑舌鳎性逆转性状高效遗传解析

为了解析半滑舌鳎(Cynoglossus semilaevis)性逆转性状的分子遗传作用机制,定位筛选可用于性控育种的分子标记或侯选基因,本研究提出了一种期望最大化算法(Expectation-Maximization algorithm,EM),并基于该算法开展了半滑舌鳎性逆转性状的全基因组关联分析。EM算法直接使用阈模型中隐含连续正态分布表型的期望作为因变量,用迭代最小二乘代替logit回归法的迭代重加权最小二乘,它具有比logit回归法更直观、更易于编程的优点。本研究采用显著主成分控制群体分层后,使用EM算法与logit回归对对半滑舌鳎数据进行GWAS(Genome-wide Association Study,GWAS)分析。结果显示,EM算法结果无明显的假阳性或假阴性,比logit回归法的检测效力更高。基于EM算法的全基因组关联分析共定位到13个与性逆转性状显著关联的QTN(quantitative trait nucleotide,QTN),其中3个QTN位于W染色体上,10个QTN位于Z染色体上。经过基因注释发现,上述定位获得的QTN位于LOC103396896、MALT1、ADGRD2、FBXl17、DMXl1、SMARCA2、DMRT1、LOC103397760、NEUR13和PDLIM5a基因区段内。当进行检索时发现,这些基因参与了其他物种中涉及性别决定或性腺发育等相关过程。本研究提供了一种基于EM算法的具有高检测效力的全基因组关联分析方法,同时也为半滑舌鳎的性逆转遗传机制解析和性控育种提供有效的理论指导。

基于改进期望最大化算法的供应链网络边连接规则优化

针对供应链网络在演化形成阶段,企业随机连接可能会导致网络稳定性和运作效率降低的问题,提出一种基于期望最大化(EM)算法的供应链网络连接改进算法。首先,将网络节点边的数量作为新参数加入算法,以更准确地确定新节点在供应链网络中拥有的边数;其次,在边数确定的情况下,提出剩余边连接规则,以增强节点的选择性和分化度;最后,在保证新企业节点能平稳运行的前提下,研究不同初始边数对网络演化的影响。仿真实验结果表明,与EM算法相比,所提改进算法仅需要迭代计算80次即可得到稳定的结果,并且在1 000个节点的规模内,得到的连边数量稳定在4附近,与实际供应链网络的演化过程相匹配。由此可见,所提算法对实际供应链网络的拟合效果明显优于EM算法。

期望最大化法和回归法对亚洲心血管病国际合作研究缺失数据填充效果比较

目的分析亚洲心血管病国际合作研究(international collaborative study of cardiovascular disease in ASIA,InterASIA)缺失值缺失机制,探索适合该资料的方便、有效、合理的填充方法。方法利用SPSS16.0软件,分析数据的缺失机制,分别采用期望最大化法和回归法对缺失数据进行填充。结果InterASIA资料缺失指标缺失率在0.1%～2.1%,缺失机制为随机缺失,年龄偏小的人指标缺失率更高;采用期望最大化法和回归法对缺失数据进行填充后各指标的算术均数、标准差以及线性回归模型中的回归系数及标准误与填充前各指标的取值非常接近。结论InterASIA资料缺失率低,其缺失机制为随机缺失,期望最大化法和回归法是方便、有效、合理的填充方法。

基于期望最大化算法的音频取证中的篡改检测

音频取证中的插值检测是信号篡改检测的重要方面。因为信号的篡改经常伴随着重采样操作,而重采样后的插值信号会引入周期性信息。应用期望最大化(EM)算法能针对这种周期信息估计参数,从而检测出信号是否被篡改。为了使EM算法迭代效果更好,更适用于音频信号的插值检测问题,提出针对音频信号的特点,引入音频幅度直方图,排除短时静音和增加样本点数的方法。另外还提出了用频谱统计矩作为特征的方法,使统计分类稳定有效。最后通过音频取证中检测信号是否重采样的统计分类实验,表明整个检测流程能达到较高的准确率,并且在局部篡改实验中也同样有效。

基于参数探索的期望最大化策略搜索

针对随机探索易于导致梯度估计方差过大的问题,提出一种基于参数探索的期望最大化(Expectation-maximization,EM)策略搜索方法.首先,将策略定义为控制器参数的一个概率分布.然后,根据定义的概率分布直接在控制器参数空间进行多次采样以收集样本.在每一幕样本的收集过程中,由于选择的动作均是确定的,因此可以减小采样带来的方差,从而减小梯度估计方差.最后,基于收集到的样本,通过最大化期望回报函数的下界来迭代地更新策略参数.为减少采样耗时和降低采样成本,此处利用重要采样技术以重复使用策略更新过程中收集的样本.两个连续空间控制问题的仿真结果表明,与基于动作随机探索的策略搜索强化学习方法相比,本文所提方法不仅学到的策略最优,而且加快了算法收敛速度,具有较好的学习性能.

基于期望最大化算法的联合符号检测和相位估计算法

针对带有未知载波相位的符号检测问题,提出了一种基于期望最大化(EM)算法的联合符号检测与相位估计算法,该算法改变了传统最佳接收算法中先估计载波相位再进行符号检测的分级处理方式,直接通过EM算法进行符号检测。在算法收敛之后,判决获得符号信息的同时,可得到未知载波相位的最大似然(ML)估计,从而实现了符号信息与载波相位的联合估计与检测。由于该算法不需要进行同步参数估计,因此可以大大降低传统最佳接收方法分级处理方式所带来的性能损失。仿真实验表明,该算法与传统最佳接收算法中先通过非数据辅助(NDA)方法估计载波相位再进行符号检测相比,性能有明显提升,可以达到导频辅助下的符号检测性能,由于不需要估计载波相位,因此处理复杂度大大降低。

声呐数据融合的期望最大化(EM)算法

现代舰艇通常装备有多部声呐，对这些声呐的检测信息进行融合，并加以综合利用，以提高整个声呐系统对目标的定位精度具有重要的现实意义．本文利用ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）算法，对多部声呐检测的方位信息进行了数据融合，获得了满意的结果．

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AEM.AEM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.

含噪独立分量分析的期望最大化算法

把期望最大化(EM)算法应用到含噪ICA模型中,即假定源信号具有统计独立性,并将其放在贝叶斯估计框架中,提出一种解决含噪独立分量分析(ICA)的期望最大化(EM)算法。在含噪ICA模型中,假设源信号的均值和方差服从更为一般的均匀分布,提出的EM算法将混合矩阵和超参数交替进行处理,可以有效地估计混合矩阵和超参数在一定模型下的模型参数,从而能够估计出源信号。仿真结果说明,该方法能够很好地解决含有噪声ICA模型下的盲源分离问题。

基于雷达/红外测量的期望最大化容积卡尔曼滤波

为解决相应的目标跟踪问题,该文针对二维空间雷达/红外测量系统提出了一种期望最大化容积卡尔曼滤波(EMCKF)。在期望最大化框架下计算出量测噪声自适应因子,修正量测噪声协方差,以解决跟踪过程中时变量测噪声场景造成的量测模型失配的问题。仿真结果表明,与容积卡尔曼滤波(CKF)相比,在时变量测噪声环境下,该文EMCKF可以得到更准确的结果,并且该算法对量测信息丢失具有更好的鲁棒性。

基于期望最大化的水平集分割算法

针对经典的水平集算法(比如Chan-Vese模型算法)在迭代过程中要重新初始化和容易受噪声和模棱两可的边界的影响的缺点,增加一项内部能量泛函达到不需重新初始化的目的,并结合贝叶斯决策理论,利用图像先验知识,提出了一个改进的能量函数,根据符号距离函数来不断调整水平集函数的偏差。该函数是利用期望最大化算法来得到的。实验结果表明,该算法分割精度和运行准确率上都优于经典算法。

非齐次隐马尔可夫因子模型期望最大化算法

潜变量模型在刻画因子之间的相互关系以及因子与观测变量之间的关联性时具有重要作用。在实际应用中,观测数据往往呈现出时序变异、多峰、偏态等特性,因此将经典的潜变量模型延伸到非齐次隐马尔可夫潜变量模型,并且为避免对完全数据的积分计算,将期望最大化(expectation-maximization,EM)算法引入到似然函数的计算上;采用Akaike信息准则和Bayes信息准则选择合适的模型,提出了相应的统计计算和检验方法,有效解决了隐马尔可夫模型中的最大估算似然函数问题;最后选择心理-健康数据进行了实验,实验结果表明该方法是有效的。

基于期望最大化的K-Means聚类算法

针对高维数据下的聚类效果需要提高,提出一种基于期望最大化的k-means聚类改进算法.该算法在没有降维和破坏原有数据结构的情况下,把期望最大化算法和k-means算法相结合,用期望最大化算法选取k-means的算法的初始聚类中心.并针对高维数据提出一种新的距离算法,代替传统的距离算法.实验结果表明提出的算法的可行性,并且在处理高维数据时的有效性.

位置信息记录中基于期望最大化的名称消重算法

在包含位置信息的签到记录中,每条记录仅包含名称和位置(经纬度)两个属性。传统的名称消重算法通过匹配实体的属性值或者计算实体间的名称相似性进行消重,忽略了位置信息的特殊性。为了提高位置信息记录中名称消重的质量,提出了一种基于期望最大化的位置名称消重算法。首先,提出了一种包含核心单词和背景单词的文本名称模型,并给出了计算模型参数值的期望最大化算法。其次,在文本名称模型中引入位置信息,将整个地图划分为若干个网格,分别计算每个网格中核心单词和背景单词的分布情况,并提出了一种考虑位置的文本名称模型。最后,将位置文本名称模型用于位置信息记录中的名称消重,并给出了相应的名称消重算法。实验表明,与传统的名称消重模型相比,提出的位置名称消重模型可以更好地识别出名称中包含的核心词汇,因而在名称消重时具有更好的性能。

基于期望最大化加速算法的正交频分复用信道估计

针对基于期望最大化(EM)迭代算法的正交频分多路复用(OFDM)信道估计方法复杂度高、收敛慢,严重制约OFDM的传输速率的缺陷,提出了一种基于EM加速算法的OFDM信道估计方法.该方法基于拟牛顿加速算法,并结合一种带调整参数的Broyden对称秩1校正公式来实现,具有二次收敛性,提高了EM的计算速度,降低了计算复杂度.仿真结果表明,相比于空间选择期望最大算法,在性能损失只有0.1 dB的情况下,EM算法的复杂度得到很大的降低,且其计算速度可提高十几倍.

改进的最大似然期望最大化超声CT重建方法

针对超声CT重建问题,提出了一种基于高斯分布的最大似然期望最大化方法,并采用非最小最优化的方法来设置迭代的初始值。由于高斯分布更加符合测得时间信息的分布规律,所以基于高斯分布的新算法比传统基于泊松分布的最大似然期望最大化算法更加精确。所采用的非最小最优化方法能够减少迭代次数,有利于提高重建质量和计算效率。为了检验新算法,对三维温度场进行了仿真重建实验,结果表明,改进后的最大似然期望最大化算法具有更小的平均误差,能够得到更精确的重建图像。

喷墨印花纹理图像的期望最大化聚类分割算法

针对聚类分割算法对喷墨印花纹理图像存在的局限性,提出了一种结合期望最大化(EM)的喷墨印花纹理图像聚类分割算法(CSA)。首先,将空间相关性引入聚类分割中,利用自回归模型表征纹理同质区域;然后,为了提高分割模型参数估计的精度,将分块标定机制引入期望最大化算法中,实现了参数极大似然估计的迭代算法,解决了不完全数据参数估计问题;最后,利用数据集分块并进行聚类,使同类元素具有较高的相似度,从而对图像中的像素进行了归类划分,并将得到的结果进行了合并,实现了目标图像的正确分割。实验结果表明,和传统的聚类分割算法相比,该算法能更好地解决喷墨印花纹理图像的分割问题。

基于条件期望最大化的断裂航迹粘连

目标机动容易导致雷达MTI航迹断裂、航迹连续性差,目标密集情况下,甚至可能导致目标数目的误判,这对态势评估及战术决策非常不利。提出一种新颖的ESM辅助下的MTI转弯机动目标航迹粘连算法,综合使用ESM属性信息和MTI位置信息,基于条件期望最大化(ECM)框架实现状态估计、机动起始终结时刻辨识和转弯角速率的联合优化。仿真结果表明,引入ESM信息可以减少断裂航迹数量、提升航迹连续性15%以上。

一种基于期望最大化的多目标轨迹拟合算法

现在的雷达信号样式日益复杂,对于多目标场景,传统侦察方式容易出现增批现象,这将带来同一批次参数不完备、不同批次参数冗余等问题。仅仅依靠到达时间、方位、频率等参数信息,将难以实现对动目标的跟踪及轨迹拟合。在期望最大化算法基础上,提出一种新的多目标轨迹拟合算法,从理论上论证该算法的合理性,并通过仿真验证了其有效性。

飞机颤振模态参数辨识的期望最大化

文章采用一种适用于噪声环境的期望最大化算法,准确地辨识飞机的颤振模态参数。在建立随机状态空间模型的基础上,该算法以迭代的形式计算似然函数的最大值,它包括两步:期望和最大化。无需计算对数似然函数的二阶偏导及其近似式,可提高似然函数收敛于平稳点的可能性。算前采用新息方差准则估计出系统的阶数,以减少计算复杂度。最后利用试飞试验数据辨识飞机的系统参数,验证了其方法的有效性。