双边定时截尾下Pareto分布的参数的极大似然估计的EM算法

给出了当寿命分布为Pareto分布时,双边定时截尾寿命试验下形状参数的极大似然估计。由于似然方程形式较复杂,无法得到参数的显式表达式。但可证明此极大似然估计是唯一存在的,并利用EM算法求出了此参数的一种估计。

基于粒子群算法及高斯分布的WSN节点故障诊断

在无线传感器网络(wireless sensor network,简称WSN)中通常需要对网络节点所测量的数据进行处理来判断WSN的运行是否可靠。针对传统算法存在计算复杂、能耗大的问题,提出一种基于粒子群优化算法及高斯分布的WSN节点故障诊断方法。根据粒子群优化算法规则简单和收敛速度快等特点,对节点所测数据进行优化并得到一个相应的阈值范围,通过高斯分布判断所测数据是否满足与所定阈值范围之间的关系来判定节点是否发生故障。试验结果表明,该故障诊断方法能及时、有效地发现WSN异常并诊断出故障节点,提高了WSN工作的可靠性。

基于广义高斯分布的彩色图像空域隐写检测算法

揭示了彩色图像相邻像素差服从或2倍近似服从广义高斯分布,且均值为零的统计规律;指出了目前常用隐写作业模式—代替作业模式在图像隐写方面的本质弱点。同时,本文针对彩色图像的空域隐写提出了一种结合稳健性统计特性和易损性统计特性为一体的快速盲检测算法,该算法检测效率高,速度快,便于实用。

基于高斯分布的基站天线最佳方向角定位算法

为提高天馈问题被发现的准确性和维护效率,提出了基于高斯分布的最佳方向角解决方案来诊断运营商天馈覆盖问题。首先计算UE上报的具有定位信息的每个MR采样点与基站之间的位置方向信息,然后按照位置方向的一定角度间隔逐个统计各区间的MR采样点占比,取MR采样点占比最大的角度区间为该扇区的、基于用户热点分布的最佳天线方向角,最后将该最佳方向角与后台天线基础数据库中基站方向角进行比对,发现天馈系统接反、天线覆盖方向不合理、后台天线数据库错误等一系列天馈相关问题。经验证,采用该算法发现天馈问题的成本、准确率和效率较现有方法有明显改善。

用快速EM算法实现小波系数的高斯混合分布模型

提出了一种小波系数的高斯混合分布模型。该模型用两个分量的高斯混合分布来拟合小波域每个高频频带系数的分布:其中,先验概率小方差大的分布代表了少量幅值较大的小波系数;先验概率大方差小的分布代表了大量幅值较小的小波系数。该文采用基于特征的快速算法完成对高斯混合分布参数的求解。实验结果证明了模型的有效性。

基于高斯分布和模拟退火算法的免疫微粒群优化算法研究

针对微粒群算法在搜索过程中粒子容易失去多样性而陷入局部最优且搜索速度较慢的缺陷,提出了一种基于高斯分布和模拟退火算法的免疫微粒群算法,该算法借助高斯分布和模拟退火的有关机理,分别进行免疫接种和免疫选择的操作。使用常用的基准函数对算法进行了仿真验证工作,通过与全局微粒群优化算法、变惯性权值微粒群优化算法的对比表明,免疫微粒群优化算法(IPSO)在搜索速度和全局寻优方面具有一定的优势。

采用复高斯分布模型的两步噪声幅度谱估计算法

噪声幅度谱估计是有效抑制外界噪声干扰、提高语音增强算法整体输出性能的重要环节。但目前针对该问题的研究相对较少,常用的语音激活检测算法只能在语音不存在阶段对噪声信号的幅度谱进行更新或估计,无法适用于更为复杂的非平稳噪声环境。为克服这一问题,本文基于噪声频谱的复高斯分布模型假设,提出了新型的两步噪声幅度谱估计算法。算法首先采用软判决技术计算噪声信号的功率谱,然后再结合复高斯分布条件下信号幅度谱和功率谱之间的数学关系间接地获取噪声幅度谱的估计。文中基于这一结论给出了两种估计算法,并在多种噪声环境下对它们的性能进行了仿真评估,其测试结果有效表明了提出算法优良的估计性能。

引入高斯分布缩放因子的人工蜂群算法

为解决原始人工蜂群算法收敛速度慢、开发性不足的问题,在保证其探索性的基础上增强开发性,提出引入高斯分布缩放因子的人工蜂群算法。在引领蜂阶段采用基于邻域的最优解学习搜索策略,增加种群多样性;在跟随蜂阶段采用能够自适应调节搜索步长的三角变异搜索策略,修改其食物源的选择方式;两个搜索方程中引入高斯分布缩放因子,利用搜索方程特性及通过实验设定高斯参数,实现算法在探索和开发之间的平衡。采用10个不同特性的标准测试函数进行仿真实验,验证了改进后的算法在搜索质量、收敛速度、鲁棒性等方面的优越性。

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数q的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.

基于反向计算和高斯分布估计的动态自适应和声搜索算法

为了增强和声搜索算法在求解高维多模态问题时的空间全局探索能力和求解精度,通过定义的4种反向计算方法和高斯分布估计算法,提出一种动态自适应高维和声搜索算法.该算法采用正交试验初始化和声记忆库;利用多维动态自适应算法进行和声创作;采用动态反向选择算法更新和声记忆库,并改进和声音调微调调解步长,从而增强算法的空间探索能力,避免陷入局部搜索.通过6个标准的高维Benchmark函数测试表明,本文算法在全局搜索能力、收敛速度和求解精度等方面都有明显改进.

一种对称损失下逆高斯分布形状参数的Bayes估计

在加权p、q对称损失下,分别研究了逆高斯分布形状参数的Bayes估计、多层Bayes估计和E-Bayes估计,并把刀切法的思想运用到Bayes估计中,得到逆高斯分布形状参数的刀切Bayes估计的精确形式,为验证形状参数估计的合理性,运用R软件,采用随机游动Metropolis算法对所研究参数的Bayes估计、E-Bayes估计和刀切Bayes估计进行数值模拟,比较了在加权p、q对称损失、Linex非对称损失、平方损失和q-对称损失下逆高斯分布形状参数的Bayes估计的精度,结果表明加权p、q对称损失下逆高斯分布形状参数的Bayes估计的精度最高。

基于高斯混合模型及EM算法的建筑工程数据预警治理方法

结合初期雨水调蓄大直径顶管工程的实际设计及施工经验,对软弱地层条件下长距离大直径平行双管曲线顶管在设计及施工过程中存在的重点难点问题进行总结,并对顶管过程中的顶力及管周摩阻力做了深入分析研究,有针对性地提出了相应的解决方案,使该顶管工程顺利贯通。建筑工程行业在现代社会中发挥着重要的经济和社会作用,然而,它也伴随着诸多风险和不确定性。为了有效地管理和预测这些风险,本文提出了一种基于高斯混合模型(GMM)和期望最大化(EM)算法的数据预警治理方法。该方法旨在通过对建筑工程数据的建模和分析,提前识别潜在的问题和风险,从而改善工程项目的管理和决策。

使用高斯分布估计策略的改进樽海鞘群算法

针对樽海鞘群算法在求解复杂优化问题时存在种群多样性减弱、易于陷入局部最优等不足,提出了一种使用高斯分布估计策略的改进樽海鞘群算法(salp swarm algorithm using elite pool strategy and Gaussian distribution estimation strategy,GDESSA)。首先提出一种精英池选择策略,领导者位置在每次更新时随机从精英池中选择一个个体作为食物源,增强领导者的探索能力,丰富种群多样性。其次利用高斯分布估计策略对追随者公式进行改进,通过拟合优势群体信息,修正种群进化方向,增强算法的寻优能力。使用CEC2017测试函数对改进算法进行测试,并通过统计分析、收敛性分析、稳定性分析、Wilcoxon检验、Friedman检验、Iman-Davenport检验评估改进算法性能。仿真结果表明:本文提出的改进策略能有效提高算法性能;提出的改进算法相比其他算法,具有更快的收敛速度和更好的收敛精度。

混合Beta分布GARCH模型的EM算法求解与实证分析

GARCH模型在处理时序数据异方差问题中得到广泛应用,然而在面临一些特殊领域的数据,尤其是金融市场领域中具有高峰厚尾、非对称性、有界取值区间等特征的数据时,传统正态分布的基本假设往往与现实严重不一致。针对此类问题,文章提出混合Beta分布的GARCH模型,并给出了基于完全数据最大似然函数的EM算法估计模型的参数,以仿真模拟数据和金融市场现实数据为例,进行了实证分析。结果显示,在违背正态分布假设的情形下,混合Beta分布GARCH模型更能有效地提炼波动的一系列非正态性信息,同时也验证了EM算法对模型的参数求解行之有效。

基于局部高斯分布模型的图像配准方法

提出了一种基于统计和变分相结合的非刚体图像配准新模型。假设残差图像服从具有不同均值和方差的局部高斯分布,由此得到一个双重能量泛函,再结合变分的正则化方法,得到了一种配准新模型。该方法的新颖之处在于,保真项中引入了权重函数和一些控制参数。其中权重函数可以自动有效地区分残差图像中灰度对比度不同的区域,控制参数的引入提高了算法的鲁棒性。合成图像、二维肺部CT及三维大脑MRI图像的配准结果证明了这一方法的有效性和准确性。

基于高斯混合模型和期望最大化算法的非高斯分布圆概率误差估计方法研究

传统圆概率误差(CEP)估计方法无法处理兵器攻击点/观测点数据服从非高斯分布的情况。为了解决这一问题,提出了一种基于高斯混合模型(GMM)和期望最大化(EM)算法的CEP估计新方法。该方法利用GMM对兵器攻击点/观测点非高斯分布概率密度函数(PDF)进行建模,通过EM算法迭代估计GMM参数得到兵器攻击点/观测点PDF,并依据所得到的兵器攻击点/观测点PDF,使用二分法得到兵器攻击点/观测点的CEP指标值。采用大量非高斯分布场景生成兵器攻击点/观测点数据,应用所提方法和传统方法进行CEP估计实验。实验结果表明:所提方法估计的CEP均方误差约为传统方法的1/10,由此说明所提方法性能显著好于传统方法,可以有效解决兵器攻击点/观测点数据服从非高斯分布时的CEP估计问题。

基于高斯分布估计的对位差分进化算法

针对差分进化算法探索能力不足、收敛慢等问题,提出一种基于高斯分布估计的对位差分进化算法.该算法在生成对位种群的同时还生成一个基于高斯分布估计的新种群,意在更充分地搜索解空间.在不满足跳转条件的情况下,算法给出一种基于高斯分布估计的种群跳转,增加了种群多样性.在选择操作时,将所有父代和子代个体混合起来择优选择,减少了部分优秀解和优秀基因的流失.最后在CEC2014标准函数中进行测试,与其他算法进行比较,验证了所提出的算法具有更好的搜索能力和收敛性.

基于高斯分布的ABC算法及应用

为了克服标准人工蜂群算法中容易陷入局部最优的缺陷、改善寻优过程中随机性过强的缺点,提出一种基于高斯分布的改进人工蜂群算法.通过高斯分布将局部最优和当前全局最优进行比较,从而能较快跳出局部可行区域,并且有较快的收敛速度.最后通过四个常用的数学测试函数进行测试,并将结果和标准ABC、GABC算法进行比较,结果表明改进算法在寻优能力和收敛速度上都有所提高.将改进算法应用于图像边缘检测时,较标准ABC取得了不错的效果.

基于莱维飞行和高斯分布的改进教与学算法

教与学优化算法(TLBO)是一种基于课堂教学学习过程的新型元启发式算法,在解决众多科学和工程问题方面表现出了卓越的性能。然而,许多研究表明,TLBO在问题的求解过程中搜索能力较差,算法易陷入局部最优。针对这一问题,提出了一种基于莱维飞行和高斯分布的教与学优化算法(LTLBO-GD)。一方面,将原有的TLBO算法与莱维飞行策略相融合,在教学阶段前期增强老师的学习能力,选择出教学能力突出的老师。另一方面,在学习阶段加入高斯分布局部搜索算子,引导学生进行自学习模式,高斯分布主要是对班级中某一维度进行搜索,从而增强算法单维搜索能力和收敛速度。测试实验结果表明,LTLBO-GD算法在求解精度和收敛速度上都有了显著的改善,并且在求解效果上也明显优于TLBO算法,在典型的标准测试函数优化问题中其优越性更加突出。

一种基于高斯分布的白平衡改进算法

针对白平衡算法中普遍存在的校正不足及算法复杂度过高等问题,结合灰度世界算法和完美反射算法的优点,提出了一种基于高斯分解的自动白平衡算法。该算法通过对图像灰度分布的高斯分解,得到图像的高斯分布模型,并以此计算增益曲线。实验结果表明,该算法能有效校正图像的偏色问题,适用于多种不同场景。