动态模糊极大似然估计算法

在机器学习中,一个广泛的应用是对模型的参数进行估计,即极大似然估计(MLE),EM算法是根据点估计中的MLE改进的一种迭代算法,是求极大似然估计的一种强有力的工具,但它收敛速度较慢,于是引入α-EM算法,克服了EM算法的缺陷。由于学习的过程中可能存在着大量的缺失数据及其动态模糊性,给出基于不完全数据的动态模糊极大似然估计算法并给出实例验证。

双边定时截尾下Pareto分布的参数的极大似然估计的EM算法

给出了当寿命分布为Pareto分布时,双边定时截尾寿命试验下形状参数的极大似然估计。由于似然方程形式较复杂,无法得到参数的显式表达式。但可证明此极大似然估计是唯一存在的,并利用EM算法求出了此参数的一种估计。

极大似然估计与遗忘曲线的隐式反馈交互推荐算法

针对传统推荐算法对启动数据要求严苛且服务器性能要求过高导致实际项目中较难应用的问题,提出一种挂载在ECS服务器(elastic compute service,ECS)上的基于极大似然估计原理(maximum likelihood estimate,MLE)和双重艾宾浩斯遗忘算法(double ebbinghaus forgetting algorithm,DEFA)相结合的推荐算法(EMDE)。首先,通过极大似然估计原理和双重艾宾浩斯遗忘算法结合,实现了对用户偏好数据的正态拟合,并且可以灵活地调整用户偏好的遗忘速度和保留程度。其次,充分考虑了对修改关闭原则,可以与现有业务模块高度解耦,并且具有轻量级的特性。实验结果表明,EMDE算法可以成功避免推荐快速消耗用户兴趣和触及用户反感的交互,并选择合适的交互以达到增强用户黏性的目的。

基于EM算法的极大似然参数估计探讨

首先介绍了EM算法 ,然后研究了基于EM算法的混合密度极大似然参数估计 ,最后利用计算机仿真验证了此算法的收敛性和有效性 .

航天湍流退化图像的极大似然估计规整化复原算法

为了从有噪的湍流退化图像中有效地恢复出目标图像,提出了一种基于极大似然估计准则的规整化复原算法.根据图像随机场模型建立了有关多帧图像数据的对数似然函数,同时为了平滑噪声和保护图像边缘以及避免无价值的解,将一些合理的惩罚项和辅助平滑项融合到该对数似然函数中.推导出了湍流点扩展函数和目标图像的交替迭代求解公式,通过迭代方式可将点扩展函数和目标图像同时估计出来,给出了算法的并行处理方案.在微机上对强噪声条件下的湍流退化图像进行了恢复实验,实验结果表明本算法具有较强的抗噪能力和实用价值.

使用最速下降算法提高极大似然估计算法的节点定位精度

阐述了极大似然估计算法用于无线传感器网络节点自定位的原理;阐述了最速下降算法求非线性方程组最优解的原理;提出在距离测量误差较大的情况下,使用最速下降算法优化极大似然估计算法所得的节点定位值,并通过模拟实验证实其可行性。实验结果表明,在无须多余通信代价的条件下,优化处理使定位精度得到很大提高,且算法收敛快,计算代价小,适用于无线传感器网络的节点自定位。

纯方位目标运动状态的极大似然估计及迭代算法

针对非线性最小二乘法在国内目标运动分析中应用较少的现状,首先在二维平面内推导出关于纯方位目标运动状态的极大似然估计的计算公式并给出了基于高斯-牛顿迭代算法的计算过程及步骤,随后分析了极大似然估计的性能和迭代算法的收敛性。仿真计算的结果表明:当迭代初值与目标真实状态充分接近时,用所推导出的计算公式能够快速稳定地得到关于目标运动状态的极大似然估计,迭代算法形式简洁,计算量小。该研究成果可应用于舰艇作战系统目标被动跟踪定位软件。

基于EM算法的极大似然分布式量化估计融合新方法

该文针对水下目标探测中的多传感器分布式量化估计融合问题,建立了分布式量化估计融合模型,在考虑信道噪声且其统计特性不完全已知条件下,充分利用EM算法在观测数据缺失时参数估计的优越性,提出了一种基于期望极大化(EM)算法的极大似然分布式量化估计融合新方法。该方法将未知的水声信道噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验表明:该方法在局部传感器观测样本数目大于5000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当,该方法为水下目标探测中分布式量化估计融合系统的工程实现提供了理论依据。

非线性再生散度随机效应模型的极大似然估计及随机逼近算法

非线性再生散度随机效应模型包括了非线性随机效应模型和指数族非线性随机效应模型等．通过视模型中的随机效应为假想的缺失数据和应用Metropolis-Hastings(简称MH) 算法,提出了模型参数极大似然估计的随机逼近算法．模拟研究和实例分析表明了该算法的可行性．

一种多元均值混合正态分布参数的极大似然估计

以Madadi等提出的数学模型与概率密度函数为基础,证明了多元均值混合正态分布的性质,讨论了MMNE分布参数的极大似然估计问题,利用ECM算法对MMNE分布的位置参数、尺度参数、偏度参数进行了参数估计计算,给出了计算方法和迭代公式。实例分析表明,所提出的偏态数据下MMNE分布参数估计模型合理且实用。

截尾线性回归模型参数极大似然估计的EM算法

对区间截尾的线性回归模型,在误差服从正态分布的条件下,给出其基于似然方程的参数极大似然估计(M ax im um L ike lihood E stim ate,M LE)的一般迭代算法,证明了EM算法与该一般迭代算法的一致性,由EM算法的性质保证了迭代的收敛性,证明了M urray A itk in给出的右截尾数据回归模型参数M LE的EM算法是本文的一个特例以及EM算法收敛点的唯一性.

基于模糊极大似然估计聚类的点云数据分块

对散乱点云数据采用微切平面法进行法矢估计,对法矢方向进行全局协调性调整。采用稳定性较好的二次曲面拟合法估算点云数据的高斯曲率和平均曲率。将点的坐标、法矢和曲率合并为八维特征向量,通过模糊极大似然估计聚类技术,将具有类似几何特征的向量聚为一类,从而实现点云数据的分块。实验证明该方法有效。

递推计算灵敏度的极大似然估计算法实现

对非线性连续一离散系统的极大似然参数估计方法导出了一种速推计算灵敏度的新算式．该算式借助二水平正交表的性质，避免了原灵敏度递推算式中的矩阵求道运算．仿真实例验证了该算法的实用性和有效性．

一种新的基于极大似然估计的盲分离算法

盲源分离(Blind Source Separation,BSS)或独立成分分析(Independent Component Analysis,ICA)是一种矩阵处理或数据分析技术,主要目的就是在仅在源信号相互独立的假设下从混合的观测信号中恢复出源信号。由于它在生物医学信号分析、语音识别、无线通信等领域应用的不断拓广,它已成为一个热门的研究领域。本文对于如何分离混合信号模型的问题,从观测信号与分离信号的概率密度函数(Probabihty Den-sity Function PDF)之间的关系推导出了一种新的基于极大似然估计的盲分离算法,通过选择一个带参数的非线性函数近似超高斯与亚高斯的PDF,以此来分离源信号。并通过模拟实验验证了此算法的有效性。

多元混合正态分布参数的极大似然估计

从层次结构的角度出发推导总结了Reinaldo B.Arellano-Vall所提出的广义多元混合正态分布公式中混合变量的相关统计性质,结合所推导的混合变量性质,运用EM算法和协方差矩阵参数化分解方法,解决多元混合正态分布在无序约束和简单树半序约束下参数的极大似然估计问题。借助MATLAB软件编程进行数据仿真模拟,并给出其协方差矩阵在简单树半序约束下的极大似然估计结果。

遗传算法在混合Weibull分布极大似然估计中的应用

在数理统计中,极大似然估计法是参数估计的重要方法之一,它的计算也一直是统计计算的一个重要研究方向.本文以多参数Weibull分布为例,设计遗传算法来计算极大似然估计,得到了非常满意的计算结果.

基于模糊最大似然估计算法的遥感影像分割

针对模糊K-均值算法依赖于群集原型的初始估计和对于数据中所存在的子群数目做出假设的缺点,结合最大似然估计,提出了不依赖先验假设的模糊聚类法——基于模糊最大似然估计的遥感影像分割算法。该算法在模糊最大似然估计算法中用模糊协方差来计算后验概率,用后验概率矩阵代替隶属度矩阵来进行划分。先用模糊K-均值进行图像预处理,然后用模糊最大似然估计算法进行分割。此外,本文用性能指标参数——超体积指标FHV来评价最优的类别数目。本文通过对模拟影像和真实影像的实验,验证了该算法的有效性和准确性。

基于灰狼算法和极大似然估计的改进DV-HOP算法

DV-HOP算法是无线传感器网络中一种常见的基于非测距的定位技术,该算法使用平均跳距表示实际距离,在实际应用中造成很大的误差和节点能耗。为此,在原有DV-HOP算法的基础上,引入了灰狼算法细化节点之间的跳数,用极大似然估计法修正实际坐标与估计坐标之间的误差。仿真结果表明,改进算法在不显著提高算法复杂度的基础上提高了一定的定位精度。

基于极大似然估计的BP算法及其在深基坑开挖参数辨识中的应用

本文采用人工神经网络 BP算法对深基坑开挖工程中的参数进行辨识。将某些现场实测值作为网络输入 ,土层物性参数作为网络的输出 ,通过有限元计算取得学习样本来训练网络 ,从而达到对深基坑开挖工程中的参数进行辨识的目的。同时 ,本文提出了将极大似然估计引入 BP学习算法中 ,可以考虑学习样本和网络输入 (现场实测值 )的误差 ,可以求得所辨识参数的可靠度。本文还对动态调整 BP学习算法的学习速率因子、冲量系数以加快网络学习速度的算法进行了研究 ,本文算例表明本文算法训练速率可比传统 BP算法快 10倍以上。

Logistic回归模型中参数极大似然估计的二次下界算法及其应用

本文研究了Newton-Raphson等算法无法进行时探寻更加稳定的数值解法的问题.利用B¨ohning&Linday(1988)提出的二次下界算法(Quadratic lower-bound),文中在Logistic回归模型下构造了极大似然函数的代理函数并进行数值模拟,获得了二次下界算法是Newton-Raphson算法的合理替代的结果,推广了数值方法在Logistic回归模型中的应用.