双重高斯混合模型的EM算法的聚类问题研究

EM算法是参数估计的重要方法,其算法核心是根据已有的数据来迭代计算似然函数,使之收敛于某个最优值。半监督聚类是利用少部分标签的数据辅助大量未标签的数据进行的聚类分析。文章介绍了一种基于双重高斯混合模型的EM算法,在无监督学习中增加一些已标记的样本,利用已标记的样本得到初始参数,研究了半监督条件下的双重高斯混合模型的EM聚类算法。实验表明,该算法较无监督学习而言,提升了样本的识别率,有良好的聚类性能。这种算法模型也可以作为一种基础模型,具有一定的应用领域。

个体行为数据聚类的双重混合高斯模型算法

传统的基于概率的混合模型算法可以很好地解决个体行为数据的聚类问题 ,但是对于具有“多峰值”特征的行为数据则需要更精巧的方法。提出双重混合高斯模型算法 (DualMGM )扩展了普通混合模型的概念 ,解决了多峰值特征的个体行为数据的聚类问题。DualMGM的算法复杂度是随数据量线性增长的 ,具有很好的可扩展性。

基于MFCC和双重GMM的鸟类识别方法

针对鸟类鸣声信号变化丰富和复杂的特点,提出一种基于MFCC和鸣叫、鸣唱声GMM模型的鸟类识别方法。该方法拟采用将鸟鸣声分为鸟叫声和鸟唱声的策略,分别提取其特征参数MFCC,提出双重GMM模型进行训练和识别。用8种鸟的鸣叫声和鸣唱声1077个样本进行实验,实验结果表明,双重GMM模型的识别率达到90%以上,与单一鸣声模型相比具有更高的识别率。