基于高斯混合模型及EM算法的建筑工程数据预警治理方法

结合初期雨水调蓄大直径顶管工程的实际设计及施工经验,对软弱地层条件下长距离大直径平行双管曲线顶管在设计及施工过程中存在的重点难点问题进行总结,并对顶管过程中的顶力及管周摩阻力做了深入分析研究,有针对性地提出了相应的解决方案,使该顶管工程顺利贯通。建筑工程行业在现代社会中发挥着重要的经济和社会作用,然而,它也伴随着诸多风险和不确定性。为了有效地管理和预测这些风险,本文提出了一种基于高斯混合模型(GMM)和期望最大化(EM)算法的数据预警治理方法。该方法旨在通过对建筑工程数据的建模和分析,提前识别潜在的问题和风险,从而改善工程项目的管理和决策。

融合K-means与高斯混合模型的驾驶风格聚类研究

为研究驾驶员的跟车特性,探究驾驶员风格划分方法,采集50名驾驶员的实车试验数据,选取平均跟车时距和平均制动时距为二维向量,建立基于K-means聚类结果的高斯混合模型(GMM)并分析不同风格驾驶员的聚类结果。研究表明:样本数据聚为3类时的平均轮廓系数为0. 45,将驾驶员划分为冒进型、平稳型、保守型3类时聚类效果较好;冒进型驾驶员倾向于选择较小的跟车时距和制动时距,保守型驾驶员的跟车及制动时距则普遍较大,模型聚类结果更加柔性,样本区分度更高。

邻域约束高斯混合模型的模糊聚类图像分割

针对传统模糊聚类分割方法无法有效模拟数据分布特征的问题,提出基于邻域约束高斯混合模型的模糊聚类图像分割算法.利用高斯分布刻画聚类内像素光谱测度统计特征,定义像素与其邻域像素相关性的先验概率,并作为高斯混合模型中各高斯分量权重系数,构建包含特征场邻域作用的高斯混合模型.利用高斯分量描述像素与聚类间的非相似性测度,建立基于高斯混合模型的模糊聚类目标函数.在传统模糊聚类方法基础上,采用高斯混合模型定义像素与聚类间的非相似性测度,并在高斯混合模型中融入邻域作用,有效解决数据具有多峰值特征的问题.最后通过实验验证文中算法的准确性.

基于高斯混合模型的非母语说话人口音识别

针对云南境内白族、纳西族、傈僳族 3 个典型的少数民族及汉族普通话语音,采用了高斯混合模型来训练每个民族的口音模型,并用少量的测试语音来获得较为满意的口音分类识别率,目的在于探索降低非母语口音话者语音识别错误率的有效途径。该文通过实验给出,对云南民族口音汉语普通话口音识别,当混合数为 16,语音特征采用 39 维 MFCC 及其一阶、二阶差分参数时,口音识别正确率可达90.83%。

基于高斯混合模型的轨迹模仿学习表征参数优化

针对高斯混合模型(Gaussian mixture model,GMM)参数选取效率较低的问题,提出了一种在基于GMM的轨迹模仿学习表征中综合求解GMM参数估计的方法.该方法基于多中心聚类算法中的最大最小距离算法改进kmeans算法,得到最优初始聚类中心,并基于贝叶斯信息准则(Bayesian information criterion,BIC)通过遗传算法优化求解,同时获取GMM的4个重要参数.该方法通过提高划分初始数据集的效率,在优化初始聚类中心基础上确定混合模型个数,有效地避免了因为初值敏感而导致的局部极值问题.通过多组仿真实验验证了该方法的有效性.

嵌入自联想神经网络的高斯混合模型说话人辨认

该文提出了一种嵌入自联想神经网络的高斯混合模型,它充分利用了神经网络和高斯混合模型各自的优点,以最大似然概率(ML)为准则,把它们作为一个整体来进行训练。训练过程中,高斯混合模型和神经网络的参数交替更新。由于神经网络起到了"数据整形"的作用,因而提高了类内数据的相似性。实验结果表明,采用该文提出的模型在各种信噪比情况下的识别率都比基线系统有所提高,最高能达到19%。

嵌入时延神经网络的高斯混合模型说话人辨认

提出了一种在高斯混合模型中嵌入时延神经网络的方法。它集成了作为判别性方法的时延神经网络和作为生成性方法的高斯混合模型各自的优点。时延神经网络挖掘了特征向量集的时间信息,并且通过时延网络的变换使需要假设变量独立的最大似然概率(ML)方法更为合理。以最大似然概率为准则,把它们作为一个整体来进行训练。训练过程中,高斯混合模型和神经网络的参数交替更新。实验结果表明,采用所提出的模型在各种信噪比情况下的识别率都比基线系统有所提高,最高能达到21%。

一种新的高斯混合模型参数估计算法

该文提出了一种高斯混合模型(GMM)参数估计的改进算法.原始的特征向量先经Schmidt正交化消除各维间的相关性,再用数学形态学方法估计出各维概率分布中混合分量的真实个数,最后按真实的混合分量个数用EM算法对各维分别作标量GMM参数估计.该方法能缓解GMM传统参数估计算法引起的“不易扩展”的不便.实验结果表明,将其应用于说话人辨认,能在较大幅度提高训练速度的基础上相对传统GMM参数估计方法获得更高的识别率.

基于SVM-GMM混合模型说话人辨认的研究

建立一种新的混合模型—SVM-GMM模型,用以提高说话人辨认的识别率。阐述高斯混合模型(GMM)和支持向量机(SVM)建立的基本原理,分别指出高斯混合模型和支持向量机在实际应用中的不足之处,并针对两种模型的特点,提出将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量机(SVM)模型的概率输出,并建立SVM-GMM混合模型。通过实验对比,验证使用SVM-GMM模型能有效地提高系统识别率。

基于高斯混合模型的遥感信息提取方法研究

高斯混合模型(Gaussian mixture model,GMM)可以描述遥感数据的概率密度函数,通过估计各高斯分布的参数,计算后验概率,实现信息提取。为了提高利用GMM进行遥感信息提取的准确度,首先在GMM中使用马尔科夫随机场(Markov random field,MRF)计算各像元邻域内各类地物的先验概率,代替各类地物的混合概率,使其反映出各类地物的空间相关性;然后在参数估计过程中利用模拟退火(simulated annealing,SA)思想获得全局最优的参数估计值;最后利用该参数估计值求出每个像元对于各类地物的后验概率,获得各类地物的空间分布。通过对遥感实验场的图像数据进行信息提取,发现所述新方法取得了更好的效果,证明了上述改进的有效性。

基于高斯混合模型和深度神经网络的大型船舶主机功率预测(英文)

船舶主机功率是预测航行油耗、评估船舶废气排放中的一项重要数据。然而,未知的船舶主机功率数据对基于大数据的船舶油耗及排放预测产生了障碍。为了解决这一问题,本文提出基于高斯混合模型(GMM)和深度神经网络(DNN)的大型船舶主机功率预测方法。首先对船舶特征进行相关性分析,选择与主机功率相关系数较大的船舶特征作为GMM-DNN混合模型的输入,然后使用GMM对船舶特征进行聚类,将聚类结果作为标签和船舶特征一起作为DNN的输入,最后使用Adam-Dropout优化DNN,并用DNN对船舶功率进行预测。为了探究方法的有效性,本文比较了多元线性回归分析、非线性回归、DNN、GMM-DNN在船舶主机功率上的预测效果。实验表明,GMM-DNN模型在船舶主机功率预测上表现最好,其平均绝对误差MAPE为14.57%,比多元线性回归、非线性回归和DNN分别低28.27%、23.36%和1.24%。

基于高斯混合模型的非高斯振动疲劳频域求解方法

很多机械结构在工作环境下经受的随机载荷有着较强的非高斯性,按照传统的高斯假设对这些结构进行疲劳计算会带来很大误差。针对非高斯载荷下结构疲劳寿命难以预测的问题,提出了一种非高斯随机载荷下对结构进行疲劳计算的频域方法。首先引入高斯混合模型(Gaussian mixture model,GMM)对载荷进行描述,并使用期望最大(expectation maximization,EM)算法对模型参数进行求解,建立的模型可以准确描述单峰及多峰非高斯载荷。在此基础上结合Tovo-Benasciutti方法推导出一种多峰非高斯载荷下的频域疲劳计算方法。为了对该方法进行验证,对一个双峰分布的非高斯载荷信号进行了疲劳分析,以雨流计数法作为参考,结果表明在双峰非高斯载荷下,对多种材料,该方法与直接使用传统频域疲劳计算方法相比计算精度提升明显,验证了该方法的精确性及较广的适用性。

小波包分析及高斯混合模型在汽轮机振动故障诊断中的应用

提出一种利用高斯混合模型对汽轮机振动故障进行诊断的方法。原始的汽轮机振动故障信号用小波包进行分解重构滤波,提取振动信号特征量,然后用特征量来建立高斯混合模型。用每种故障状态的几组数据作训练数据,对每种故障状态建立一个识别元,识别元的参数用EM算法求解最大似然估计,最终将待识别故障数据输入每个识别元,找到最大概率的识别元所对应的故障即为诊断的最后结果。

基于高斯混合模型的汽轮机振动故障诊断

采用高斯混合模型(GMM)与小波包分析相结合的方法,对汽轮机振动故障进行了诊断研究。首先对振动故障信号进行小波包分解,去除干扰信号,提取包含故障特征信息的频段作为故障特征矢量。以此特征矢量建立GMM,并用建立的模型识别各种故障。利用在Bently实验台上测得的实验数据进行建模及故障识别。计算结果中,当模数M=12时,GMM识别故障的正确率约80%～90%,表明GMM结合小波包分析进行汽轮机振动故障诊断的方法能取得较好的效果。

基于块模型的混合高斯模型运动目标检测方法

文中针对传统混合高斯模型(GMM)运动目标检测方法计算量大、时间复杂度高的缺点,提出一种利用块模型的混合高斯模型运动目标检测方法。该改进算法利用分块处理技术为每个块建立一个模型,同时利用概率更新策略对块模型进行更新,充分利用图像像素间的空域信息,大量减少算法的计算量和存储空间,提高了算法的运行效率。应用这种改进算法,对分辨率不低于CIF(352×288)的监控视频进行检测,结果表明:当块大小值设置为3×3时,检测效果与传统混合高斯模型的检测效果基本一致,而改进算法的平均耗时减少了46.16%,存储空间减少不低于54.15%。

高斯混合模型下建筑工人高空作业失稳检测方法

为防止施工现场高处坠落事故,实现个性化矫正管理,在考虑个体异质性对运动信号造成的差异化影响基础上,提出一种基于高斯混合模型(GMM)的实时检测方法,可及时识别建筑工人高空作业失稳状态。首先,采用姿态传感器实时采集加速度和角速度数据,以刻画建筑工人的高空作业姿态特征;然后,基于GMM算法,建立建筑工人高空作业的个性化失稳检测模型,获得个性化阈值,以判断姿势失稳状态;最后,通过试验对比基于个体数据集和公共数据集2种方式构建的模型。研究结果表明:生成的个性化检测模型在准确度P、召回率R和综合评价指标F 1值上,均远优于公共数据集模型,具有更好的个性化检测效果。该失稳检测方法能够从工人的作业姿态习惯探究个性化的高空失稳风险,促进差异化安全预控和精准化安全培训。

高斯混合生成模型检测健康数据异常

在智能穿戴设备普及的背景下,运动手环为全面地了解人们的身体状况提供了丰富的信息源,但是其提供的多维活动数据存在未知的异常值,因此需要进行异常值的检测。由于“维度灾难”,通过传统的方法进行密度估计十分困难,导致检测效果不佳。针对该问题,使用了一种高斯混合生成模型(GMGM)健康数据检测方法。首先,该模型利用变分自编码器(VAE)训练原始数据,并且通过降低重构误差提取潜在特征。然后,利用深度信念网络(DBN),通过潜在分布和提取的特征来预测样本的混合成员隶属度。接着,变分自编码器、深度信念网络与高斯混合模型(GMM)共同优化,避免了模型解耦的影响。高斯混合模型预测得到每个数据的样本密度,将密度高于训练阶段阈值的样本视为异常。在ODDS标准数据集上验证模型的性能,结果表明,相比深度自编码器高斯混合模型(DAGMM),GMGM的AUC指标平均提升了5.5个百分点。最后,在真实数据集上的实验结果也表明了该方法的有效性。

基于高斯混合模型的分量对称正定矩阵模型

高斯混合模型(GMM)可以利用多个高斯分量捕捉图像集的变化信息,是一种良好的图像集描述方法.结合分量对称正定矩阵表示方法(CSPD),文中提出基于GMM的CSPD模型(G-CSPD).模型将图像集分成大小相同的子图像集,使用GMM描述每个子图像集,最终得到一个G-CSPD矩阵,该矩阵中元素描述子图像集之间相似性.在3个图像集上的实验表明,G-CSPD是具有鉴别性的图像集描述方法.

基于高斯混合模型和极限状态阈值随机性的概率地震需求分析

传统概率地震需求分析普遍采用对数正态分布假定,且大多基于固定阈值衡量结构性能极限状态,这些简化方法很多时候与实际存在较大偏差。提出基于高斯混合模型(Gaussian mixture model,GMM)的概率地震需求分析法。利用多维性能极限状态方程衡量结构破坏程度。基于增量动力分析法(increment dynamic analysis,IDA)计算结构工程需求参数(engineering demand parameter,EDP),基于IDA曲线斜率划分结构阈值。不采用对数正态分布假定,利用GMM分别建立EDP和阈值的概率密度函数,将传统概率地震需求分析的三重积分拓展到五重积分,充分考虑阈值的随机性。利用蒙特卡洛(Monte Carlo,MC)法求解,得到结构需求年平均超越概率。分别建立某钢筋混凝土框剪和框架结构作为研究对象,以最大层间位移角(maximum inter-story drift ratio,MIDR)、最大层加速度(peak floor acceleration,PFA)作为EDP。研究表明:阈值具有较强的随机性,并且会随着破坏程度的提高而提高,忽略阈值随机性会导致结果出现较大偏差;与传统对数正态分布假定相比,基于GMM所得结构需求年平均超越概率偏小,对数正态分布假定会得到不准确的评估结果。

基于改进的混合高斯模型运动目标检测算法研究

采用传统混合高斯模型(GMM)进行监控视频内运动目标检测时,检测结果受光照、阴影影响较大,且运算速度慢,针对这一缺陷,提出了一种改进的GMM和阴影抑制相结合的运动目标检测算法。该算法通过对GMM添加平衡系数、合并冗余高斯分布,完成自适应改进,利用2级学习率αh和αl的设置提升背景建模精确率度,经霍特林变换完成阴影抑制,得到轮廓清晰的运动目标。仿真实验结果显示:改进的算法克服了传统GMM在动态背景下检测精度低的缺陷,提高了算法的实时性和准确性,解决了光照变化、环境噪声等因素引起的误检、漏检问题。