基于期望最大化加速算法的正交频分复用信道估计

针对基于期望最大化(EM)迭代算法的正交频分多路复用(OFDM)信道估计方法复杂度高、收敛慢,严重制约OFDM的传输速率的缺陷,提出了一种基于EM加速算法的OFDM信道估计方法.该方法基于拟牛顿加速算法,并结合一种带调整参数的Broyden对称秩1校正公式来实现,具有二次收敛性,提高了EM的计算速度,降低了计算复杂度.仿真结果表明,相比于空间选择期望最大算法,在性能损失只有0.1 dB的情况下,EM算法的复杂度得到很大的降低,且其计算速度可提高十几倍.

利用期望-最大化算法实现基于动态词典的压缩感知

在现有压缩感知(CS)理论中,重构信号需要预设其稀疏表示词典。对于以参数化模型表示的信号,只能预知该词典为某种形式的参数化词典,参数的具体取值难以确定。若将参数设定为取值空间的均匀离散格点,预设词典与真实词典之间的失配将使传统CS重构方法的性能严重恶化。为解决这一问题,该文提出一种基于动态词典的CS重构方法。通过迭代地优化词典参数,该方法在信号重构过程中对词典进行动态调整。为同时实现稀疏恢复与词典调整,该方法利用变分期望-最大化(EM)算法交替执行信号系数估计与词典参数优化。实验结果表明所提方法是有效的。

MIMO-OFDM系统中基于变分贝叶斯EM算法的联合符号检测与信道估计

基于变分贝叶斯期望最大化(VBEM,variational Bayes expectation maximization)算法和Turbo原理,提出了时变信道条件下MIMO-OFDM系统中的联合符号检测与信道估计算法。设计的软入软出空时检测器在采用列表球形译码避免穷尽搜索的同时,考虑了信道估计误差方差矩阵的影响;利用空时检测获得的发送信号后验概率分布估计,推出了新的Kalman前向后向递归信道估计器。仿真结果表明,在时变多径信道条件下,提出的算法比传统EM算法和面向判决算法更加具有顽健性。

基于变分高斯混合模型的图像分割算法(英文)

提出了一种基于变分推断的高斯混合模型的图像分割算法.该算法首先用贝叶斯混合高斯模型对图像的特征进行建模,并针对模型的参数学习问题,利用变分推断算法估计模型的参数及其后验概率;这种方法比采样法的计算量更少,而且能够根据图像数据自动优化混合个数,实现了模型的自动选择.最后,该算法在Berkeley的自然图像集上进行的实验结果与经典的图像分割算法进行了比较,结果表明此方法得到的图像分割结果精度较高,具有较好的性能.

基于EM-BN算法的网络调查问卷分析研究

随着计算机技术、通信技术和互联网的高速发展,网络调查进入到了快速发展的阶段。针对所设计的调查系统题目开放易存在缺失数据值的问题,应用了最大期望的贝叶斯网络算法对缺失数据值进行填充,利用填充后的完备数据集进行分类别统计分析,分析结果表明网络调查与印刷调查可以得到一致的调查结果。

基于期望最大化框架的医学超声图像去斑

针对医学超声图像斑点噪声,提出一种基于期望最大化(EM)框架的去斑算法。先从超声I/Q图像中提取实部;然后从该实部图像中"盲估计"出系统的点扩散函数;最后利用EM算法,在维纳滤波和各向异性扩散间进行迭代,从而获得去斑后的超声图像。对不同信噪比的仿真图像和实际图像采用本文方法和现有方法进行比较实验,结果表明,采用本文方法可将超声图像的斑点信噪比和边界保留指数平均提高1.94和7.52倍,归一化均方差平均降低3.95倍,性能指标优于现有方法。

基于潜在局部区域空间关系学习的物体分类算法

提出了一种物体分类模型——潜在局部区域空间关系模型及实现算法.模型描述物体各部分间的潜在空间关系,将抗缩放和仿射变换的特征区域方法与模型相结合,采用变分期望值最大方法进行学习.与同类空间关系模型算法比较,该文模型算法具有以下优点:(1)为非监督式学习模型;(2)可抵抗几何变换;(3)模型为稠密模型;(4)模型描述的是一种潜在的空间关系,这种关系对物体具有更本质的描述.在标准测试图像库上的实验表明了该算法在抵抗平移、旋转、尺度缩放、仿射变换和部分遮挡等难点问题上具有优势.

两对互作基因重组率EM算法估计的模拟研究

推导出存在上位性互作的两对连锁基因在F2 群体中各表型的概率和条件概率以便利用EM (expectationandmaximization :期望最大化 )算法估计重组率 ,还获得了重组率的标准误公式。通过MonteCarlo模拟发现 :用EM算法和Fisher法估计重组率时其结果一致 ;前者易推广到两基因间具有上位性互作的情形 。

基于EM的模糊-粗糙集最近邻算法

针对由类的重叠引起的训练样本模糊不确定性,以及属性不足引起的类边界粗糙不确定性,提出一种基于期望-最大化(EM)的模糊-粗糙集最近邻分类算法——EM-FRNN。利用UCI数据库的突发性水污染事件案例进行实验,实验结果表明,与朴素的KNN、模糊最近邻算法、模糊粗糙最近邻算法相比,该算法的运算精度高且计算成本较低。

改进批处理RPEM算法用于说话人识别

针对传统EM算法训练GMM不能充分利用训练数据所属高斯分量信息,从而在一定程度上影响说话人识别性能的缺陷,采用RPEM(竞争惩罚EM)算法训练GMM,并引入批处理RPEM算法解决RPEM算法运算量大、收敛速度慢的问题,同时针对RPEM和批处理RPEM算法训练时方差优化存在的问题进行了改进,提出了改进的批处理RPEM算法。在Chains说话人识别数据库上的实验表明,改进的批处理RPEM算法取得了相对于传统EM、RPEM以及批处理RPEM算法更好的性能,还极大地提高了训练效率,减小了运算量,说明了提出的改进批处理RPEM算法用于说话人识别时的有效性。

基于修正EM的高效MIMO-OFDM系统MAP信道估计算法

针对MIMO—OFDM系统的基于期望最大化（EM）的最大后验（MAP）信道估计算法带来的误差地板（EF）现象及较低的数据传输效率，提出了一种基于修正EM的高效的MAP信道估计算法。该算法首先引入一种更精确的系统模型来改善基于EM的MAP估计算法在高信噪比下的EF现象，其次利用多个正交频分复用（OFDM）符号进行联合信道估计来提高系统的数据传输效率和信道估计的均方误差（MSE）性能。仿真实验结果表明这种估计算法改善了误差地板现象。同时拥有更低的估计误差和更高的数据传输效率。

基于EM聚类的LTE技术竞争情报分析

以下一代移动通信技术LTE为研究对象,运用文本挖掘技术的EM聚类方法,对德温特创新数据库中6450篇LTE相关专利文献进行文本聚类分析。揭示出LTE技术6个子领域的分布状况,并自动识别每个子领域的研究热点,为客观认识LTE相关专利技术内容提供了定量依据。同时分析每个子领域中竞争企业布局,挖掘每个子领域中专利竞争情报。

基于变分稀疏贝叶斯的off-grid DOA估计

针对传统稀疏贝叶斯学习方法在解决低信噪比条件下信号到达角DOA估计中,到达角不完全落在阵元端离散化网格点上的情况,提出了一种基于变分稀疏贝叶斯学习期望最大化的离格DOA处理方法.该方法首先对均匀线阵的实际接收信号off-grid情况建立参数化稀疏模型,利用变分稀疏贝叶斯学习方法,通过最小化KL散度寻求一个与后验概率近似的概率分布,其次期望最大化方法分别在期望阶段和最大化阶段进行参数推断,进一步在离格误差模型下以较高的精度和分辨率实现信号到达角的估计,最后仿真结果表明,该方法不仅在传统SBL方法的基础上提高了运算效率,而且具有更高的空域分辨率和角度估计精度,该方法具有优越的角度估计性能.

基于Gibbs随机场的有限混合模型改进与脑部MR图像的稳健分割

有限混合 (FM )模型已经广泛地应用于图像分割 ,但是由于没有考虑空间信息 ,导致分割的结果对噪声很敏感 ,分割出的区域存在很多杂散的孤立点。本文在Gibbs随机场理论的指导下 ,将空间信息引入FM模型 ,提出了改进的脑部MR图像分割算法。此外 ,由树形K平均聚类来估计初始参数 ,实现了全自动的图像分割。本研究进行了仿真MR图像和真实MR图像的分割实验 ,定量的数据分析表明 ,我们所提的改进算法对噪声不敏感 ,可以更精确地将脑部MR图像标记为灰质。

基于期望-超额出行时间的道路系统最优均衡模型

为研究随机事件扰动下出行者的择路行为对交通分配的影响,同时考虑供需条件的随机变化,以期望-超额出行时间为出行者择路依据,利用边际成本收费原理,推导了边际成本收费值计算公式,建立用等价变分不等式表示的系统最优交通分配模型,并利用自适应投影收缩算法进行求解.算例表明:当OD需求系数为1.0、路段能力退化系数为0.5时,路径1边际成本收费值分别比使用期望出行时间和出行时间预算为择路依据时增加了11.27%和3.58%;当出行时间可靠度为0.9时,路径1边际成本收费值分别比使用期望出行时间和出行时间预算作为择路依据时增加了20.22%和4.30%.

转录因子结合位点识别算法的研究

转录因子结合位点的识别是生物信息学中的一个重要领域．本文从计算机等信息科学的角度，对转录因子结合位点的识别方法进行了综合分析，包括该问题的生物学意义、主要算法思想以及每种算法的优缺点．使用TRANSFAC数据库中几组样例对具有代表性的6种主要软件进行测试，对其结果进行了详细地比较分析．最后，在总结分析现有算法的基础上探讨了该领域进一步的研究方向．

图马尔可夫卷积神经网络半监督文本分类研究

随着卷积神经网络在图结构数据上的成功泛化,许多研究者将图卷积神经网络应用于文本分类;在上述方法中,以文档和单词为节点构造异构文本图网络,通过学习图节点的特征表示进行文本分类,未能有效利用节点标签的依赖关系。现提出了文本图马尔可夫卷积神经网络(TextGMCN)模型,模型利用异构图中未分类节点的条件联合分布建模节点标签的依赖性;模型利用图卷积神经网络通过端到端的训练,学习有效的文本节点表示。通过变分EM算法进行训练。在多个基准数据集上的实验结果表明,考虑文本节点标签依赖性的TextGMCN模型取得了更优的节点分类性能。

MIMO-OFDM系统中基于变分Bayes EM算法的联合符号检测与鲁棒Kalman信道跟踪

基于变分Bayes期望最大化VBEM(variational Bsayes expectation maximization)算法和Turbo原理,提出了快时变信道条件下MIMO-OFDM系统中的联合符号检测与信道估计算法.在VBEM框架下,信号检测和信道估计分别由修正的列表球形译码算法和软输入Kalman算法完成,检测器和估计器分别考虑了信道和检测信号的估计误差协方差矩阵.当信道时变剧烈时,存在较大检测误差的数据在软输入Kalman算法中引入异常值(outliers),由于Kalman算法对于异常值的敏感性,系统会在错误传播的影响下出现误码平台.为削弱异常值的影响,利用鲁棒统计理论设计了VBEM框架下改进的鲁棒软输入Kalman算法,该算法能在出现异常值的条件下保持较好的信道跟踪能力.仿真结果表明:在快速时变多径信道条件下,文中设计的鲁棒VBEM算法优于传统的VBEM算法和EM算法.

EM方法对缺失数据的处理及对MNL模型的影响

以印度尼西亚首都雅加达都市圈居民个人出行调查数据为例,研究EM数据修补方法对数据以及MNL模型的影响.首先,以原始数据为基础,通过人为删除和EM修补分别获得缺失数据和修补数据.其次,通过Z检验,验证EM修补后的数据更贴近原始数据特征.最后,以三组数据分别建立三组MNL模型,通过Z检验等对比分析,表明EM数据修补方法能很好地修正数据缺失对构建模型造成的偏差,为交通政策的制定提供良好的数据基础.

基于FSAGE的OFDM系统信道与频偏联合干扰消除算法

针对正交频分复用(OFDM)系统服务应用在诸如城区等信道多径衰落严重的场景,提出一种信道及载波频偏联合干扰消除的频域空间选择性期望最大化(frequency-space-alternating generalized expectation-maximization,FSAGE)算法.该算法首先对频域频偏进行预估计及预消除,然后通过权值迭代方式进行信道干扰消除及频偏精确跟踪.仿真结果表明,该算法能够降低信道与频偏干扰消除算法的迭代次数和处理时延,有效地消除由于信道多径衰落以及频偏引入的联合干扰.与空间选择性期望最大化(space-alternating generalized expectation-maximization,SAGE)算法相比,所提出算法的性能有较大提高.当信噪比为20 dB时,可获得较优的误码率.