基于厚尾噪声分布的重介质分选密度辨识

为解决重介质选煤过程中分选密度识别易受厚尾噪声污染的问题,建立了ARX分选密度辨识模型,并利用学生式t分布建模了密度辨识系统中的厚尾噪声,而后采用期望最大化(EM)算法将厚尾噪声识别问题公式化,最后通过仿真模拟对密度及厚尾噪声辨识模型进行了验证。结果表明:用于厚尾噪声识别的EM算法与传统极大似然估计算法(MLE)相比,可有效处理隐含变量或数据丢失问题,相应偏差范数(BN)和方差范数(VN)也均低于后者,具有更佳的鲁棒性;所估计的模型参数在有限次数迭代下即可收敛于真实值附近,算法处理厚尾噪声有效。研究结果可一定程度上提升重介质选煤过程中重悬浮液密度自动检测的准确性。

基于最大维密度的全局优化空间聚类算法

在优化空间聚类算法的研究中,传统的K-means空间算法存在两个缺陷,其一是对空间对象的属性描述不全面,其二是对初始种子集选取敏感,容易陷入局部最优值,聚类结果不稳定。为了优化算法,引入适合空间对象的空间属性距离和基于最大维密度选择方案(Max-Dimension of Density Based Seeking,MDDBS)来改进K-means算法,提出利用最大维密度的全局优化空间聚类算法(Max-Dimension of Density Based Clustering,MDDBC),可从密度大的区域选取初始种子,同时又尽量将种子分散在数据空间。实验结果表明,改进方法可以很好消除聚类结果的波动性,同时更加客观地呈现空间对象的分布规律。

基于密度检测的EM算法

期望最大化(expectation maximization,EM)算法在聚类过程中无法识别噪声点,最终的收敛效果也依赖于初始值的选择。提出了基于密度检测的EM算法(DDEM),通过基于密度的方法来检测噪声点,利用基于密度和距离的方法进行初始值选择,改善了EM算法收敛效果。实验结果表明新算法可有效识别噪声点,降低初始值选择对收敛效果的影响,明显提高了聚类准确率和稳定性。

基于高斯混合模型和核密度估计的全身骨骼SPECT图像分割算法研究

目的提出一种基于高斯混合模型的骨扫描图像分割算法,可自动识别全身骨骼SPECT图像中的病变区域。方法首先对二维全身骨骼SPECT图像进行锐化、平滑、灰度变换等预处理;然后采用核密度估计方法拟合出预处理图像的像素概率密度函数曲线,并根据曲线的峰值点确定期望最大值(EM)算法的初始值;再应用高斯混合模型对图像进行分割;最后使用模板匹配算法排除误识别的区域。结果应用本研究提出的图像分割算法所得到的图像清晰度和对比度优于其他图像分割算法,且本研究提出的图像分割算法的相似性测度明显高于其他图像分割算法,平均耗时最短。结论基于高斯混合模型和核密度估计的全身骨骼SPECT图像分割算法是一种高效、实用的骨扫描图像分割算法。

融合密度峰值的高斯混合模型聚类算法

针对高斯混合模型(GMM)聚类算法对初始值敏感且容易陷入局部极小值的问题,利用密度峰值(DP)算法全局搜索能力强的优势,对GMM算法的初始聚类中心进行优化,提出了一种融合DP的GMM聚类算法(DPGMMC)。首先,基于DP算法寻找聚类中心,得到混合模型的初始参数;其次,采用最大期望(EM)算法迭代估计混合模型的参数;最后,根据贝叶斯后验概率准则实现数据点的聚类。在Iris数据集下,DP-GMMC聚类准确率可达到96. 67%,与传统GMM算法相比提高了33. 6个百分点,解决了对初始聚类中心依赖的问题。实验结果表明,DP-GMMC对低维数据集有较好的聚类效果。

基于LDPC码的迭代相位同步技术

在分析符号先验信息对期望最大(expectation maximization,EM)算法收敛特性影响的基础上,提出了一种基于非规则低密度奇偶校验(low-density parity check,LDPC)码的迭代相位同步算法。由于EM算法的收敛速度与译码器提供的信息量密切相关,新算法利用非规则LDPC码的不等度分布特性,其度数高的变量节点在初始译码过程中能快速正确译码并为EM同步器提供高可靠的先验信息,从而改善EM同步器的收敛性能。仿真结果表明,基于非规则LDPC码的EM迭代同步算法具有更大的相位估计范围和更快的收敛速度。

显微图像的光学薄膜缺陷密度统计

薄膜表面缺陷密度统计是改进薄膜表面质量的重要依据。阐述了基于遗传算法的二维最大熵分割算法的原理及实现步骤。采用这种算法对薄膜缺陷图像进行分割,对分割后的图像进行了薄膜缺陷密度的测量。实验结果表明,这种方法对薄膜表面缺陷提取简单且易于测量,为分析缺陷原因提高薄膜质量起到重要的指导作用。

零误差密度最大算法的分析研究

前馈神经网络的学习通常以均方误差为目标函数(MSE),易陷入局部极小,而零误差密度最大算法(Z-EDM)以误差在零点的概率密度函数为神经网络新的目标函数,能够达到全局最优.将Z-EDM算法应用到BP网络中,并通过仿真将两者进行了比较,实验结果表明,Z-EDM算法在分类方面要明显优于MSE算法.并且对这一算法进行了分析,可知以优化此目标函数的神经网络的学习仍是基于经验风险最小化原则,通过仿真将基于Z-EDM算法的BP网络与支持向量机(SVM)在两分类方面进行比较,结果表明此算法对于某些数据集具有与SVM近似的性能,但总体上性能仍不及基于结构风险最小化的SVM.

零误差密度函数准则的BP神经网络学习研究

BP神经网络的学习通常以均方误差函数(MSE)为目标函数,当目标变量不满足高斯分布时,其结果可能偏离真正最优.零误差密度函数(ZED)利用非参数估计中的Parzen窗法得到误差在零点的概率密度函数.将零误差密度函数作为BP网络的目标函数时,通过对光滑参数的选择使新的目标函数能够适用于期望输出满足任意分布.仿真实验分别以零误差密度函数和均方误差函数为目标函数的BP网络学习在函数逼近方面进行比较,结果表明零误差密度函数要比均方误差函数的适用范围更广.

EM算法正确收敛性的探讨

该文对高斯混合体 EM算法的正确收敛性问题进行了理论研究 ,证明了高斯混合体 EM算法在混合密度的重叠度很小时 ,在其样本真解相一致的解的一个邻域内是一个压缩映射 .该文还得到了高斯混合密度的 EM算法正确收敛性条件 ,并对此进行了理论证明和数值验证 .理论分析和数值实验结果表明 ,高斯混合密度的 EM算法的正确收敛性与混合密度的重叠度密切相关 .

基于顾客点分布的自提点逐渐覆盖选址模型

为了研究网络零售配送中基于顾客点分布的自提点数量和位置的集成选址问题。根据顾客点的分布设计网格动态密度聚类算法,确定自提点的选址数量和备选位置;然后建立以顾客满意度和最大覆盖为双目标的自提点逐渐覆盖选址模型来实现自提点选址。在IBM CPLEX中对算例进行求解,验证了算法和模型的有效性,同时根据计算结果提出两种适用于网络零售配送的自提点选址策略。

基于密度峰值聚类的高斯混合模型算法

由于存在大量服从高斯分布的样本数据,采用高斯混合模型(Gaussian Mixture Models,GMM)对这些样本数据进行聚类分析,可以得到比较准确的聚类结果。通常采用EM算法(Expectation Maximization Algorithm)对GMM的参数进行迭代式估计。但传统EM算法存在两点不足:对初始聚类中心的取值比较敏感;迭代式参数估计的迭代终止条件是相邻两次估计参数的距离小于给定的阈值,这不能保证算法收敛于参数的最优值。为了弥补上述不足,提出采用密度峰值聚类(Density Peaks Clustering,DPC)来初始化EM算法,以提高算法的鲁棒性,采用相对熵作为EM算法的迭代终止条件,实现对GMM算法参数值的优化选取。在人工数据集及UCI数据集上的对比实验表明,所提算法不但提高了EM算法的鲁棒性,而且其聚类结果优于传统算法。尤其在服从高斯分布的数据集上的实验结果显示,所提算法大幅提高了聚类精度。

随机变量分布函数类型的判别算法

熵是信息论中的一个重要概念，在密码学中有着广泛的应用。熵的统计计算是一个很有价值的研究问题，尤其是随机变量函数未知情况下的熵估计问题较难，而这方面的理论与应用研究均不多。利用余昭平先生对Ｓｈａｎｎｏｎ 熵的估计结果和最大熵原理，证明了一个连续概率分布函数是正态型、指数型或均匀型的充要条件，由此得到一个随机变量分布函数类型的判别算法。这些结果对于信息的采集、分类及处理都有较大的指导作用。

基于密度的划分式聚类过程参数选择算法

为确定-means等聚类算法的初始聚类中心,首先由样本总量及其取值区间长度确定对应维上的样本密度统计区间数,并将满足筛选条件的密度峰值所在区间内的样本均值作为候选初始聚类中心;然后,根据密度峰值区间在各维上的映射关系建立候选初始聚类中心关系树,进一步采用最大最小距离算法获得初始聚类中心;最后为确定最佳聚类数,基于类内样本密度及类密度建立聚类有效性评估函数.针对人工数据集及UCI数据集的实验结果表明了所提出算法的有效性.