【摘 要】
：
本文在传统的EM算法基础上,提出了一种适合于概率密度函数满足指数族分布时的参数估计算法.改进的EM算法利用指数族概率密度函数特有的充分统计项进行参数估计,替代了传统EM算法中的概率密度函数本身.由于随机型多层感知机,其输入输出统计关系也满足指数族分布.因此,在本文的实验部分,利用此改进算法对多层感知机进行了经典异或问题的训练,用以检验算法的可行性.
【出 处】
：
中国自动化与信息技术研讨会暨2004年学术年会
论文部分内容阅读
本文在传统的EM算法基础上,提出了一种适合于概率密度函数满足指数族分布时的参数估计算法.改进的EM算法利用指数族概率密度函数特有的充分统计项进行参数估计,替代了传统EM算法中的概率密度函数本身.由于随机型多层感知机,其输入输出统计关系也满足指数族分布.因此,在本文的实验部分,利用此改进算法对多层感知机进行了经典异或问题的训练,用以检验算法的可行性.
其他文献
本文介绍了一种机器人利用路标进行自定位的方法.机器人可以利用驱动轮码盘获取位置动态信息,利用视觉系统获取路标信息,利用电子罗盘获得方位信息.针对视觉路标信息误差较大的问题,机器人在自定位时采用MCL结合UKF的方法融合了位置动态信息、方位信息和路标信息进行自定位,该方法能有效的消除视觉路标信息误差对定位算法带来的影响.实验证明了该方法的有效性和鲁棒性.
本文提出了基于可见性和中心线的人体器官网格模型分块算法.考虑到肠道的饶曲特性和气管的分叉特性,此算法参考建筑物漫游的可见性分析.首先根据中心线的长度、含带的距离和弯曲程度,用中心线的法平面对网格模型进行预分块,使得器官网格模型由近似柱面(非分叉处)和近似柱面的交(分叉处)组成;然后把每个预分块的所有边界线投影到中心线的某个法平面上,用最小圆盘包围每一条边界线的投影,根据这些圆盘是否相交而判断出这些
本文提出了一种基于概念网络的情报分析代理模型,并对其中的关键技术作了分析和探讨.基于概念网络的概念匹配以及在概念匹配的过程中实现匹配权值的动态调整是本文探讨的重点.同时,本文也对概念分析的基本机制——预期机制进行了探讨.
本文提出两个应用于非监督纹理检索的新思想.第一,用结构张量构造纹理元,这种非线性的方法能构造出与Gabor滤波器相似甚至更佳的纹理元特征.第二,提出新的基于纹理元字典构造和相似性比较纹理检索模型.这种简化模型通过利用非线性扩散滤波器构造出的小数目的特征结构去逼近特征通道的区域信息,从而大大加快了检索过程.我们的方法是一种无参检测方法,它的鲁棒性使得它适应于所有的特征参数.它能利用很少的时间得到相似
由于二维Gabor滤波器在最小化时域和频域协调的不确定性上达到最优,同时在方向和频率上的可选择性,多通道Gabor滤波器在纹理识别、分类、目标检测等领域得到广泛的运用[13,16].本文将Gabor变换引入视频文本检测,介绍了一种基于Gabor变换的文本检测方法,比较系统的介绍了Gabor滤波器、Gabor参数的选取、Gabor特征向量的选择、特征空间维数的确定和利用Gabor特征向量分类的问题.
论文目的是讨论采用DAEM进行分类的问题,探讨基于高斯混合模型的DAEM分类方法.由于EM算法对初始值有很强的依赖性,我们采用改进的DAEM算法.通过我们的分析及试验,对采用EM算法与DAEM算法进行分类的效果进行比较.实验基于概率神经网络.
虹膜识别为身份认证提供了一种可靠的方法.在最近的视觉神经系统科研成果的启发下,我们利用非邻域比对编码进行虹膜识别.在这个方法里,每一位虹膜特征码取决于若干个非近邻图像区域的对比结果的正负号.相对于相邻区域间的顺序度量,分离的多个区域之间的相互比对关系的信息量更高、对类内图像的变化更加鲁棒,所以非邻域比对更加适合于虹膜识别.在我们的早期工作里,我们已经建立了一个虹膜识别的通用框架——"对邻域顺序信息
本文对有关文献中满足差序列上界的线性码的格子复杂度给出下界估计值.全文分如下几部分来介绍:一、预备知识;二、研究结果;三、主要结果的证明.
离散变速趋近律的稳定与否关键在于参数的选择,对于高阶系统,目前还没有合适的理论依据来设计趋近律的参数.通过分析变速趋近律的特点,得出了变速趋近律渐近稳定的充分条件,并依照此条件获得了变速趋近律各个参数的具体范围并提出了广义离散变速趋近律的概念.最后,按照给出的范围,设计了两个高阶系统的广义变速趋近律的控制方案.仿真结果表明,得出的参数范围能保证系统渐近稳定.
本文提出一个在watershed的分割图像基础上,使用贝叶斯理论的图像分割方法,对watershed变换后的标注图像进行能量的计算,通过选择最小能量的目标依次找出最理想的目标区域.我们设计一个先验密度惩罚图像当中的watershed变换后的相似的区域,图像分割进而变成对目标子集的最大后验估计.这样我们就可以逐步的找出最理想目标区域和背景区域.实验结果证明,该方法有较好的分割结果.