基于Epanechnikov核函数的有偏差采样和贝叶斯阴阳机的复杂图像分割

鉴于复杂图像所含信息的非均匀性,采用新的基于Epanechnikov核函数的有偏差采样方法对图像进行有效采样,并通过将贝叶斯阴阳机聚类理论对采样所得图像进行分割,进而获得最终的图像分割结果.实验表明,该方法是有效的.

基于马尔可夫混合模型的电子商务搜索引擎用户行为聚类

对搜索引擎用户行为进行聚类分析有利于为用户提供个性化的服务。为了能准确地刻画用户行为的动态性,提出利用马尔可夫混合模型,对电子商务搜索引擎的用户行为模式聚类。模型假设每一类用户行为可表示为一个马尔可夫模型,当用户使用搜索引擎时,每个用户以一定的概率属于某一聚类;该用户的行为序列,由对应的马尔可夫模型产生。同时,为了解决参数估计和模型自动选择的问题,将贝叶斯阴阳和谐学习理论应用于该混合模型,提出针对该模型的和谐度函数及自适应梯度算法。仿真实验结果表明,与传统的最大期望(EM)算法相比,基于贝叶斯阴阳机的自适应梯度算法能更高效和准确地同时进行参数学习和模型选择。最后,将所提出的聚类方法应用于真实的电子商务搜索引擎点击日志,初步验证了本模型的有效性。

有限混合体模型上的自动模型选择:一种崭新的数据建模方式(英文)

在数据建模和分析中,有限混合体模型被广泛地使用着。然而,如何仅仅针对一组来自于某个有限混合体模型的数据选择出分量或聚类的个数则依然是一个非常困难的问题。由于分量个数是混合体模型的规模度量,其选择问题被称为有限混合体的模型选择问题。最近,针对有限混合体模型,特别是高斯混合模型,一种自动模型选择学习机制逐步发展成熟起来。这种新的机制能够在学习参数的过程中自动地完成模型选择,为数据的建模与分析提供了一种新的思路与途径。本文将对于高斯混合模型或一般有限混合体模型的自动模型选择学习算法及其典型应用进行综述与总结。首先,我们综述了基于贝叶斯阴阳机和谐学习原则的自动模型选择学习算法。然后,我们描述了另一种基于熵惩罚的自动模型选择学习算法。最后,我们给出了自动模型选择学习算法的一些典型的应用。