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。

基于最大惩罚似然的高斯混合模型无监督分类研究

本文提出了一个基于高斯混合模型的无监督分类算法.考虑到利用EM算法求解高斯混合模型的参数参数估计问题容易陷入局部最优解,我们引入逆Wishart分布来代替传统的Jeffery先验.几个实验数据的结果表明,采用该方法估计无监督分类的成分数,无论是估计的正确率,还是运算速度,都有较大提高.

右删失数据下半参数转移模型的变量选择方法研究

变量选择对于识别高维协变量中对疾病发生或预后有重要影响的因素至关重要.然而,在生存分析中,失效时间数据经常伴随着删失,这使得变量选择方法的研究变得更为复杂.本文主要讨论右删失数据下半参数转移模型的变量选择问题.特别地,基于LASSO、Adaptive LASSO及SCAD三种惩罚函数,我们使用惩罚似然的思想并提出一个新的惩罚EM算法来同时实现变量选择和参数估计.数值模拟结果表明所提出的算法在有限样本下变量选择准确率高且表现较为稳定.最后,我们将所提出的方法应用到一组右删失乳腺癌数据中.