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。

基于模糊C均值聚类改进的最大似然分类法

基于参数密度分布模型的最大似然分类法(MLC)是遥感影像经典分类方法之一,它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点,但是由于遥感数据具有高度的模糊性和随机性,使得贝叶斯(Bayes)判别函数中的均值向量和协方差矩阵很难准确确定。因此首先利用模糊C均值聚类得到模糊划分矩阵,然后基于模糊划分矩阵计算出每一个聚类类别模糊均值和模糊协方差矩阵,并利用模糊均值和模糊协方差矩阵来代替贝叶斯判别函数中的均值向量和协方差矩阵从而建立一个新的判别函数,最后与传统的最大似然分类结果进行比较,结果表明改进后的最大似然分类法在总体精度、Kappa系数均优于传统的最大似然分类方法。

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。

关于一维模糊随机变量的极大似然估计方法(英文)

研究一维模糊随机变量情形总体未知参数的极大似然估计的两种方法———扩张原理法与随机集的可积选择法.在模糊观测条件下,定义了Kwakernaak-Kruse-Meyer型模糊随机变量情形的模糊参数的极大似然估计量及Puri-Ralescu型变量情形的模糊参数的边缘极大似然估计量.得到了它们的存在条件,一致性条件及其相关性质.

P-范分布混合整数模型极大似然估计

研究P-范分布混合整数模型参数估计理论,首先采用极大似然理论,顾及实参数可导而整参数不可导,导出P-范分布整数搜索准则,并证明最小二乘整数搜索准则是它的一个特例;然后给出P-范分布混合整数模型的p参数估计、整参数搜索和实参数求解的方法和计算流程;最后通过模拟算例分析和验证本文模型和计算方法的正确性。

超谱遥感图像的模糊最大似然分类研究

分类识别是超谱遥感图像的重要研究领域.由于超谱图像空间分辨率低,像元混合的概率大,因此采用单纯的聚类或者监督分类都不能取得好的效果.为了提高超谱图像分类的精度,提出了模糊最大似然分类算法.先用模糊C-均值法对图像进行聚类,再在聚类结果的基础上,参考真实地物图,选择训练样本,用最大似然法进行最终的分类.实验结果表明,提出的算法由于在聚类的基础上选择监督分类的样本,因而获得了关于图像的更准确的信息,最终分类结果比模糊C均值聚类高出34.38%,比最大似然分类高出10.46%.

基于混沌与模糊聚类的机械故障自动识别

针对大型设备旋转部件故障模式复杂难以识别的特点,给出一种基于混沌与模糊最大似然估计(Fuzzy maximum likelihood estimates,FMLE)聚类相结合的机械故障自动识别方法。利用混沌振子在非平衡相变对小信号非常敏感,而对噪声和高频信号具有强免疫力的特点,可检测出微弱的周期故障特征信号的频率信息,并将其作为故障特征矢量输入模糊聚类分类器进行聚类分析。同时针对传统的模糊C均值(Fuzzy center means,FCM)聚类算法只适用于球形或者类球形数集分布的缺陷,将基于最大似然估计的距离测度引入故障特征聚类中,实现对不同形状、大小和密度的故障数据集模糊聚类,达到对机械故障自动识别的效果。试验及工程实例结果证明了方法的有效性,同时证明FMLE聚类具有更好的聚类效果。

一种改进的模糊-统计混合聚类算法研究

本文对模糊-统计混合聚类算法进行了研究。在Woodbury算法的基础上,对似然函数和目标泛函数进行改进。研究表明,改进的算法比Woodbury算法在聚类分析时明显减少迭代次数,从而加快了收敛速度。

一种低复杂度聚类估计MLSE均衡器

给出了一种新的聚类估计最大似然序列均衡器(CBSE),避开了传统MLSE均衡需要估计信道脉冲响应(CIR)和卷积运算,由接收信号估计聚类中心,同时利用聚类中心之间的对称性,仅需估计其中部分中心,其余中心可通过简单运算获取,从而在缩短训练序列的同时减少了运算量。仿真表明,新方法在取得与RLS均衡器相近收敛性能的同时,计算量比LMS均衡器小。

基于类间距离参数估计的文本聚类评价方法

文本聚类评价算法运用统计学当中的参数估计方法,根据类间距离信息对其分布规律中的数字特征进行参数估计。基于估计的结果确定类间距离合理的取值范围,将不合理的聚类进行调整,并通过聚类有效性判断函数最终确认调整结果。该算法有效地提高聚类结果的准确性,并为聚类算法的选择与分析提供一种可行的方法。实验结果证明了其可行性与有效性。

基于均值漂移聚类的扩展目标量测集划分算法

在噪声环境下,存在扩展目标数未知且变化的多扩展目标跟踪量测集难以划分、计算代价高的问题。为此,提出一种基于均值漂移聚类的量测集划分算法。通过迭代更新中心点,使其收敛于局部最优,并引入极大似然估计技术估计每个划分子集中的目标数,对于目标数大于1的子集采用模糊C均值聚类算法进行二次划分,使得划分的量测子集与各个扩展目标一一对应。实验结果表明,该算法在多扩展目标量测集划分性能上明显优于传统的距离划分和K-means++划分算法,尤其是在保持跟踪精度的前提下量测集划分数和计算代价明显降低,且能较好地划分紧邻扩展目标的量测集。

基于聚类的软件可靠性评估与预测研究

利用分层聚类算法对失效数据中的扰动和异常数据点进行隔离,并应用相似故障密度的聚类处理后的失效数据集进行SRGM建模与软件可靠性评测,以较好的曲线拟合度提高SRGM参数估计与可靠性预测的精确性和抗干扰性,并对测试数据进行可靠性分析同时得到预测结果。

基于零空间表示和最大似然的欠定盲源分离方法

针对欠定情况下源数的估计、解混叠矩阵和源信号恢复关键技术,提出一种源数未知的欠定盲源分离算法,首先利用S变换和聚类技术相结合来估算源数和混叠矩阵,然后将源信号以零空间形式表示,再通过最大似然估计关于其后验概率以达到恢复源信号的目的。仿真实验结果表明了该方法不仅能同时分离服从超高斯分布和亚高斯分布的源信号,且比其他传统的方法具有更优越的估计性能。

基于聚类的软件失效数据预处理

应用失效数据进行软件可靠性参数的评估与预测是软件可靠性工程的主要内容之一。利用分层聚类算法对失效数据中的扰动和异常数据点进行隔离,并将以故障密度为相似性度量进行聚类处理后的失效数据集进行SRGM建模与软件可靠性参数估计,以较好的曲线拟合度提高SRGM参数估计与可靠性预测的精确性和抗干扰性,从而得到良好的软件可靠性分析与预测结果。

一种新的监督聚类学习方法及其在故障诊断中的应用

本文提出了一种新的监督聚类学习方法。系统根据样本特征矢量空间的整体分布和局部分布情况对样本进行监督聚类 ,克服了传统神经网络只是利用样本局部分布信息调节权值造成的局部最小 ,计算量大等问题 ,并实现了包括对未知模式的识别。

信息分类中的一种模糊技术

本文把模糊义互熵和模糊似然函数的性质应用到模式聚类中 从而为模式聚类增加了新一种方法 ;最后给出用安德森 (IRIR)数据作实验的对比情况 .

信息分类中的一种模糊技术

把模糊交互熵和模糊似然函数的性质应用到模式聚类中 ,从而为模式聚类增加了新一种方法 ;最后给出安德林 (IRIR)

递增EM算法的图像聚类

研究在样本子集中实现EM估计的递增EM算法.通过检测子样本的似然判断条件,自动选择样本递增的数量,建立子样本的拟合分布逐步逼进完全样本的高斯模型的过程,改进了传统EM算法在每一步迭代都需要遍历完全样本的计算复杂性以及效率较低的问题.实验结果表明,与EM算法相比,该算法能更早地达到估计值的领域,具有较快的收敛速度,聚类效果显著.

基于灰色模糊贝叶斯网络算法的编队突防作战效能评估方法

针对环境、人员素质等不确定性因素对编队突防作战效能的影响,提出一种改进灰色模糊贝叶斯网络(GFBN)的编队突防作战效能评估方法。首先,提出了基于层次分析第二类极大似然估计(AHP-ML II)模型的先验信息融合算法,将不同来源的历史先验信息加以处理,降低了主观性影响;其次,对贝叶斯网络模型的输入信息进行了灰色模糊地概率化转化处理;最后,针对不确定性因素的影响建立了基于改进GFBN法的单机、编队突防评估模型;进行了融合算法和编队突防的算例分析,着重将模糊因素作为评估模型的输入来考虑效能评估的效果。最后,通过效能评估值的对比发现,此算法将此类不确定性因素输入算法模型,能使编队突防作战效能显著提高,仿真结果更接近实战效能。