混合泊松-高斯分布模型的参数估计

针对实际CCD图像处理问题中噪声概率模型的参数估计问题,从CCD图像的噪声背景出发,研究其噪声的混合泊松高斯分布,给出了两种参数估计方法,以及非零均值高斯噪声情况下的参数估计方法,计算结果表明文中方法给出的参数估计精度高。

基于混合高斯过程的多模型热力参数测量软仪表

为了解决工业过程中参数失效和优化运行中参数计算的问题,提出了一种新型软仪表,它是基于混合高斯模型,利用EM算法实现对混合模型中的参数估计。混合模型的使用既有利于降低单一高斯模型的计算负担,又能有效反映工业过程中的工况变化,判断出与特定工况相关程度最大的过程知识,利用它们建立与特定工况对应的局部模型,并将它们合并组成具有多模型结构的全局模型。作为示例,建立了测量火电厂烟气含氧量的软仪表。仿真结果表明,文中提出的方法能有效地实现工业过程参数的软测量,具有较大的实用价值。

基于结构风险最小化准则的高斯混合模型的参数估计

隐含马尔可夫模型中,观测向量的概率密度常用高斯混合模型来表示。目前,几乎所有的语音识别系统都是用极大似然准则来估计高斯混合模型的参数。但是,增加模型的成分数,可以使似然度单调上升;另一方面,过分复杂的模型会导致参数训练不充分,对测试集的识别效果反而不好。本文基于统计学习理论中结构风险最小化准则,导出了高斯混合模型的参数估计公式,与基线系统和其它成分数的选择方法相比,有较好的效果。此外根据实际应用时希望模型尽可能简单的原则推广了上述方法。在平均成分数相等的情况下,我们给出的方法比基线系统的误识率有一致的下降。

基于差分进化算法的高斯混合模型参数估计

EM算法用于高斯混合模型参数估计时,具有对初始值敏感、易于陷入局部极小等缺点。将差分进化算法引入高斯混合模型参数估计问题,提出一种基于差分进化算法的高斯混合模型参数估计方法。该方法直接对模型参数进行编码,待优化目标函数简单且物理意义明显,具有算法实现容易、运行效率高及收敛速度快等优点。实验结果表明,新方法具有很强的全局搜索能力,参数估计精度更高、更稳定。

一种基于高斯混合模型的导谱频率参数量化算法

提出了一种高效的基于高斯混合模型(GMM)的导谱频率(ISF)参数量化算法,算法的基本思想是利用高斯混合模型将导谱频率(ISF)参数发送给M个高斯簇,然后由高斯格型矢量量化器来量化相应高斯簇的导谱频率(ISF)参数,最终可以在M个量化值中选出频谱失真值最小的一个作为输出值。在设计高斯格型矢量量化器时,基于率失真理论提出了一种最佳比特分配算法。实验结果显示导谱频率(ISF)参数可以透明地压缩到42 bit/帧,与AMR-WB(G.722.2)的多级分裂矢量量化算法相比,节省了3 bit,减少了55%的存储空间。

面向滑坡监测预警的多参数耦合学习模型研究

对滑坡类型的地质灾害进行监测预警,是油气管道沿线地质灾害监测领域中的重要工作。然而传统监测预警大多根据经验设定阈值,缺少对监测数据的分析和提炼,容易造成阈值设定过高或过低的情况。为了解决此类问题,通过对监测数据的分析,基于高斯混合模型(Gaussian Mixture Model,缩写为GMM)构建了一种新的滑坡预警模型。首先,在数据异常值剔除、缺失值补齐的基础上,使用主成分(Principal Component Analysis,缩写为PCA)分析方法提取滑坡各监测数据变量特征,形成新维度的空间特征变量,其次使用GMM并结合变量特征构建了多参数耦合的滑坡预警模型,最后将该模型在滑坡监测真实数据上进行应用,从而实现对预警模型的验证。应用结果表明该模型能够提取滑坡监测数据的复合高级特征,实现对滑坡滑动的预警。

基于狄利克雷分布和参数分析的高斯混合模型图像分割算法

传统的高斯混合模型对于含有噪声的图像不能进行有效的分割。针对有噪声图像的分割问题,提出了一种基于狄利克雷分布和参数分析的高斯混合模型图像分割算法。首先采用高斯函数对像素计算先验概率值,然后采用狄利克雷分布和定律关联像素间的邻域信息,并利用梯度下降法优化参数。实验结果表明,本文算法对无噪声和有噪声图像的分割结果比传统方法更有效,误分率更低。

基于可变临界孔隙度模型的致密砂岩储层参数地震反演方法

储层参数地震反演是通过地震观测数据定量评估储层物性及含油气性的重要途径.中国西部致密砂岩油气分布范围广泛,具有巨大的勘探开发潜力,但其孔隙结构复杂,储层参数的定量预测难度较大.本文提出了一种基于可变临界孔隙度模型的储层参数地震反演方法.为有效描述储层的复杂孔隙结构,本方法将临界孔隙度作为变量,使其具有随深度变化的特征,以表征复杂孔隙结构,进而提高致密砂岩储层岩石物理建模的精度.此外,为直接从观测地震数据反演储层参数,结合岩石物理模型和地震反射系数方程建立正演算子;基于贝叶斯框架构建反演问题,采用混合高斯模型构建储层参数先验约束,用以描述储层的岩性(相)差异特征;基于临界孔隙度、泥质含量与孔隙度的统计关系,结合快速模拟退火算法,在迭代优化中使临界孔隙度与储层参数交替更新,用以提高反演结果稳定性.选用中国西部四川盆地某工区实际资料,对本方法进行应用测试与验证,结果表明本方法对于含气储层具有良好的指示性,相比常规固定临界孔隙度方法,本方法可以有效提升反演结果准确性.

基于自适应混合高斯模型的时空背景建模

提出了一种基于自适应混合高斯模型的时空背景建模方法,有效地融合了像素在时空域上的分布信息,改善了传统的混合高斯背景建模方法对非平稳场景较为敏感的缺点.首先利用混合高斯模型学习每个像素在时间域上的分布,构造了基于像素的时间域背景模型,在在此基础上,通过非参数密度估计方法统计每个像素邻域内表示背景的高斯成分在空间上的分布,构造了基于像素的空间域背景模型;在决策层融合了基于时空背景模型的背景减除结果.为了提高本文时空背景建模的效率,提出一种新的混合高斯模型高斯成分个数的自适应选择策略,并利用积分图实现了空间域背景模型的快速计算.通过在不同的场景下与多个背景建模方法比较,实验结果验证了本文算法的有效性.

基于高斯混合模型的压缩域语音增强方法

为了有效利用纯净语音导抗谱频率参数(ISFs)的先验知识,本文针对ITU-T G.722.2宽带语音编码标准提出了一种基于高斯混合模型的压缩域语音增强方法.首先,将含噪语音、纯净语音的导抗谱频率参数,以及对应的增益调整因子构成特征矢量,并利用高斯混合模型拟合其概率密度;然后,在最小均方误差(MMSE)准则下对纯净语音的特征参数进行最优贝叶斯估计.为了兼容编码器中的非连续性传输模式,当处理信号为非语音信息时,算法在保持噪声帧谱包络参数不变的前提下,按固定比例调整对数帧能量;且若出现帧擦除情况,算法不调整接收到的码流,并按正常帧处理方式调整恢复后的参数以更新相关历史.本文采用ITU-T G.160标准进行了性能测试,结果表明,与参考方法相比,所提方法在保证信噪比提高能力的同时,可以达到更大的噪声衰减量,且增强语音的客观质量更优.

动态场景中的改进混合高斯背景模型

提出一种应用于运动目标检测的改进混合高斯背景模型。在背景模型更新过程中,通过调整阈值,降低单模态背景的误检率。在运动目标检测时,融合统计差分法和时域差分法,降低多模态背景像素的误检率。实验结果表明,改进模型能有效解决由复杂动态背景引起的误检问题,具有较好的检测性能。

混合高斯分布的变分贝叶斯学习参数估计

针对常用于非高斯信号或系统建模的包含隐变量的混合高斯分布模型,提出利用一种变分贝叶斯学习算法进行模型的参数估计.该方法采用一个形式较为简单的自由分布,通过不断最大化边缘似然函数的下界,迭代地更新变分参数,直至近似分布足够逼近参数真实的后验分布,从而实现混合高斯分布的参数估计.文中推导了该方法对混合高斯模型参数学习过程.实验表明,变分贝叶斯学习可以有效实现高斯混合模型的多参数估计,相比采样方法更有工程应用前景.

改进的高斯混合模型在心音信号分类识别中应用

为提高心音信号特征提取的准确性及分类识别的高效性,将小波包变换的Mel频率倒谱系数与改进的高斯混合模型结合用于心音信号分类识别。在Mel频率倒谱系数提取方法基础上,用小波包变换代替傅里叶变换与Mel滤波器组,获得新特征参数DWPTMFCC;针对传统GMM参数初始化K-means算法缺点,用加权可选择模糊C均值算法进行改进;将提取的特征参数分别输入到改进后GMM进行分类识别。对临床采集的心音数据测试结果表明,该方法能有效提取心音特征,优于传统GMM识别性能。

图像小波系数的高斯混合模型研究

图像小波系数的统计分布具有非高斯特性,可以用高斯混合模型进行描述。提出了一种随像素自适应调整的混合高斯模型,每个系数建模为两个均值为零、方差不同的正态分布之和,利用局部贝叶斯阈值对小波系数进行分类,通过当前系数邻域窗中两类系数的信息,得到大、小方差以及有关概率的模型参数估计。将此模型应用于图像去噪,根据贝叶斯后验均值估计理论设计了Wiener滤波器。通过与三种代表性去噪算法的比较实验,表明了这种基于模型的滤波算法的有效性。

非高斯噪声下的参数自适应高斯混合CQKF算法

研究非高斯噪声环境下的高斯混合滤波方法,进行纯方位跟踪系统的目标跟踪.利用改进的参数自适应方法,调整位移参数的大小,从而修正了高斯混合模型,提出了在非高斯噪声下的参数自适应高斯混合CQKF算法;基于非高斯噪声下的离散系统模型,分析了高斯混合CQKF算法中建模过程的局限性,并结合初值优化方法,提出了利用参数自适应方法修正高斯混合滤波模型的方法,从而克服了高斯混合滤波的局限性,提高了滤波精度.仿真实验表明在非高斯噪声下参数自适应高斯混合CQKF算法比原算法有更高的滤波精度.

基于快速求解高斯混合模型的流量聚类算法

基于聚类算法可以对多个属性聚类的特点,提出一种基于快速求解高斯混合模型的聚类算法,用于研究网络流量的分类,使其达到更佳的聚类效果。通过与其他算法比较,讨论了该种方法在流量聚类中的适用性。仿真结果表明,该方法聚类精度高,经过初始聚类中心后的EM算法用于求解GMM有较高的估算准确性,有效地提高了EM算法的收敛速度。

高斯混合背景模型的方差估计研究

在分析高斯混合背景模型建模机理的基础上,研究了模型参数估计及更新中模型结构稳定性和可塑性两难问题,指出高斯分量方差估计对运动分割的重要性。针对Stauffer算法中高斯分量均值和方差更新公式收敛过慢问题,提出了兼顾适应性和运动分割准确性的均值和方差更新策略。实验结果表明该方法在模态学习的准确性和方差收敛速度方面比原有方法有较大提高。

期望最大(EM)算法及其在混合高斯模型中的应用

将期望最大 (EM)算法应用于混合高斯模型中 ,通过对算法的介绍及其分析 ,得出 EM算法是参数估计的一种有效算法 ,他大大降低了计算复杂度 ,但性能却与最大似然估计相近 ,具有很好的实际应用价值。

基于高斯混合模型的林业信息文本分类算法

为解决传统林业信息文本分类算法准确率低和正确率分布不均匀的问题,提出了一种基于高斯混合模型的林业信息文本分类算法。在阐述高斯混合模型和EM算法的基础上,使用TF-IDF方法计算林业信息文本特征值,对构造的林业信息文本特征矩阵降维,结合Kmeans算法,通过训练得到各类林业信息文本所对应的高斯混合模型的参数,构造分类器进行精准与快速分类。实验结果表明,该算法与神经网络分类方法、贝叶斯、决策树等常用分类算法相比,该算法有较高的准确率和实用性,为林业信息文本的分类研究开拓了新思路。

高斯混合模型融合SSC的脑部MR图像分割

针对脑补核磁共振图像分割问题,提出一种基于高斯混合模型融合半监督聚类方法。首先,从原始数据集随机选取MR图像切片;然后,利用k-均值算法聚类;最后,利用统计学和所得聚类的类标签信息完成分类。实验结果表明,该方法加快了收敛速度。相比两种有监督高斯混合模型,该方法取得了更好的分割结果,且无需标记训练数据集。