基于EM算法的最优斜高斯核设计

对于采用固定窗或核的时频分布,其适用的信号形式具有很大的局限性。基于信号的核能克服这样的缺点,斜高斯核是其中一类,为了得到基于不同信号的最优斜高斯核,本文提出采用EM算法根据实际信号的模糊函数估计斜高斯核的参数,以达到核的最优设计。

超声电机的EM核鲁棒建模研究

针对在超声电机的物理机理建模存在的问题,提出了基于数据驱动的建模方法。运用贝叶斯理论进行模型参数估计。使用EM(参数期望最大化)的性能指标,得到基本理论公式及计算迭代方法。提出了模型适配度作为超声电机模型鲁棒性的评价指标,并进行研究。通过实验和模型计算,参数鲁棒性和建模精度均有提高。经实验证明,所述的建模方法在超声电机的建模工作中具有较好的精度和参数鲁棒性。

基于退化与寿命数据融合的产品剩余寿命预测

产品的剩余寿命预测是其维修、更换和备件策略制定的重要依据。目前的寿命预测方法一般仅利用产品自身的性能退化数据,当性能退化数据较少时,剩余寿命预测结果精度难以保证。针对性能退化过程为具有随机效果的Wiener过程的产品,对其进行寿命预测时,采用Bayes方法融合产品的历史寿命信息和该产品自身的性能退化信息,得到性能退化参数的Bayes估计,进而得到该产品的剩余寿命分布,从而提高剩余寿命分布的预测精度。金属化膜脉冲电容器剩余寿命预测分析实例表明了该方法的有效性。

基于核主成分分析与小波变换的高质量微博提取

在线社交媒体中存在大量的噪音和冗余信息,为对其进行过滤和筛选,获取高质量的信息,提出基于核主分析和小波变换的高质量微博提取框架,并设计一种基于多特征融合的高质量信息的提取算法,将信息特征转换到小波域以更好地捕获信号间的细节差异。利用最大期望算法度量各个特征的权值,进一步融合得到特征综合值。为降低噪声特征对信息质量提取的影响并提高算法运算速度,引入核主成分分析对特征进行变换。实验结果表明,该框架能够提取出更高质量的微博,并且大幅减少运算时间。

去除乘性噪声的重加权各向异性全变差模型

恢复含乘性噪声的图像是当前图像处理的重要研究课题.本文提出基于迭代重加权的各向异性全变差(Total variation,TV)模型.新模型中,假定乘性噪声服从Gamma分布.正则项采用加权的各向异性全变差,其中,自适应权函数由期望最大(Expectation maximization,EM)算法得到.新模型在有效去噪的同时,较好地保留了图像的边缘和细节信息,同时能够有效地抑制"阶梯效应".数值实验验证了新模型的效果.

图像分割中改进空间约束贝叶斯网络模型的应用

针对马尔可夫链蒙特卡罗方法普遍存在的迭代收敛性问题,在具有空间平滑约束的高斯混合模型条件上提出改进空间约束贝叶斯网络模型并在图像分割领域进行具体应用。所提模型应用隐狄利克雷分布(LDA)概率密度模型和高斯-马尔可夫定理的随机域参数混合过程来实现参数平滑。所提方法根据空间信息先验平滑变换操作,在待处理像素点的上下文混合结构中引入LDA符合多项式分布,用来替换传统期望最大化算法中映射操作。LDA参数采用闭合形式将有利于准确估计最大后验概率(MAP)框架与上下文混合结构的相关比例。实验结果表明,应用PRI、Vo I、GCE和BDE指标进行效果比较,该方法比联合系统工程组(JSEG)、当前变换矩阵(CTM)和最大后验概率-最大似然法(MM)方法的图像分割应用效果较好,高斯噪声对于该算法的鲁棒性影响较小。

混合空间新型贝叶斯网络模型的图像分割应用研究

现有研究工作没有确定概率向量模型的混合部分比例,所以无法解决MCMC方法的迭代收敛性问题。在具有空间平滑约束的高斯混合模型GMM基础上提出新型贝叶斯网络模型并应用于图像分割领域。模型应用隐Dirichlet分布LDA的概率密度模型和Gauss-Markov随机域MRF的隐Dirichlet参数混合过程来实现参数平滑过程,具有如下优点:针对空间平滑约束规范概率向量模型比例;使用最大后验概率MAP和期望最大化算法EM完成闭合参数的更新操作过程。实验表明,本模型比其他应用GMM方法的图像分割效果好。该模型已成功应用到自然图像和有噪声干扰的自然艺术图像分割过程中。

基于最大似然算法的心电逆问题研究

心电逆问题是通过测得的体表电势分布求取心外膜电势分布的过程,具有重要的临床意义和生理意义。本文采用有限元方法对心脏和体腔进行二维建模并求解心电正问题,然后构建状态空间方程,建模得到的体表电势与心外膜电势之间的关系为系统的测量方程,相邻时刻状态之间的关系为系统的状态方程。对于参数的不确定性问题,建立似然函数,引入期望最大化(Expectation Maximization,EM)算法来求解,步骤E(Expectation)采用卡尔曼滤波对参数进行估计,步骤M(Maximization)利用似然函数重新估计约束,步骤E,步骤M循环迭代。最后对整个过程进行仿真,结果显示采用期望最大化(EM)算法时,解的收敛性要好于传统的卡尔曼滤波的解,相对误差也可以得到大幅度的降低。

联合手肘法和期望最大化的高斯混合聚类电力系统客户分群算法

为进一步提升电力系统客户的用户体验,针对现有聚类算法寻优能力差、紧凑性不足以及较难求解聚类数目最优值的问题,提出一种联合手肘法与期望最大化(EM)的高斯混合聚类算法,挖掘大量客户数据中的潜在信息。该算法通过EM算法迭代出良好的聚类结果,而针对传统的高斯混合聚类算法需要提前获取用户分群数量的缺点,利用手肘法合理找出客户的分群数量。案例分析表明,所提算法与层次聚类算法和K-Means算法相比,FM、AR指标的增幅均超过10%,紧凑度(CI)和分离度(DS)的降幅分别低于15%和25%,可见性能有较大提升。

图像分割的自适应交互核图割模型

为了克服图割模型算法在实现图像分割时需要人为选定参数,以及图割模型可能会陷入局部最小值的不足,考虑到交互图割是一种灵活的全局最优算法,提出了基于EM方法的交互核图割算法。数据映射到核空间,构造了新的目标函数,这样可以更有效地解决分类分割问题;为了估计交互图割所需要的参数以及图割算法所需要的各种阈值,采用EM算法来估计这些参数,避免人为随机选取可能造成的不利影响,因而该方法是一种自适应的分割算法。实验结果表明,相对于交互图割算法,该算法分割合成图像时具有更低的误分率,处理光学等图像时,分割结果更准确,保留图像细节信息的能力更强。

异常数据恒虚警检测的非参数方法

针对异常数据和/或数据序列的检测,根据再生核希尔伯特空间最大平均偏差异常数据和/或数据序列检测算法,发展出了一种恒虚警检测异常的非参数方法。将来自正常数据的最大平均偏差描述成了一个统计分布,分析表明:奈曼—皮尔逊假设检验可利用这个分布来进行异常假设检验,而bootstrap重采样技术或期望最大算法则可估计出正常数据或数据序列的统计分布,尽管在给定虚警率的条件下,异常假设检验所需的判决门限可由估计到的统计分布计算获得,但可以利用蒙特卡罗积分的方法来简化这个计算。数值仿真的结果验证了提出方法的有效性,同时,表明所提方法优于文献中报道的方法。

基于隐高斯混合模型的人脑MRI分割方法

针对传统的高斯混合模型的抗噪性能和鲁棒性较差的缺点,提出一种基于隐高斯混合模型的人脑MRI分割方法。传统的高斯混合模型由于忽略了空间信息和未考虑分割结果的分布情况导致模型不完整。针对这些缺点,把分割结果的概率密度函数作为隐含数据引入到高斯混合模型,建立了非线性加权的隐高斯混合模型;同时引入了含空间信息与平滑系数的高斯权重置指数;运用期望最大化算法与牛顿迭代法对类均值,类方差以及平滑系数进行求解,最后根据最大后验概率准则得到人脑MRI的最终分割结果。经实验表明,提出的方法对人脑MRI具有很好的鲁棒性与抗噪性能。

大数据条件下同时拟合多条空间直线和平面的方法研究

为利用总体最小二乘准则将三维空间数据中包含的多条空间直线和平面原型拟合出来，提出了在大数据条件下的一种估计空间直线和空间平面方程的快速计算方法．首先研究了在总体最小二乘准则下待拟合的空间直线和平面的特殊理论性质，为提出简明算法打下基础，其次，根据期望最大化（Expectation Maximization，EM）算法实现数据的自动分割，得到属于每条直线和每个平面的三维数据，最后，在数据被污染而含有较多噪声时，可先用DBSCAN算法清洗数据，再用EM算法自动分割数据，拟合出数据中包含的多条空间直线和多个空间平面原型．计算机仿真结果表明，在数据没有遭到污染和污染比例不太高大数据中，算法都可以快速准确地确定出多条直线和平面原型．