论文部分内容阅读
高斯混合模型已被广泛地应用于模式识别,信息处理和数据分析中,通常采用EM(Expectation Maximization)对其进行参数估计.然而,EM算法是一种基于最大似然估计的局部搜索性迭代算法,如果参数没有进行合适地初始化,它很容易陷入到似然函数的局部极值解,导致错误的结果,另外,由于EM算法是最大似然估计,在高斯分量个数未知的情况下它无法确定数据中高斯分量的个数,达到正确的模型选择,为了克服这些弱点,人们最近提出了一种动态模型选择的学习算法,即分割与合并式EM算法.这类学习算法通过对于EM算法所估计的分量按一定的模型选择准则进行动态的分割或合并操作,最好达到正确确定数据中高斯分量个数的目的.同时,贝叶斯阴阳(Bayesian Ying-Yang,简称BYY)和谐学习理论也建立了一种有效的模型选择的和谐准则.本文将贝叶斯阴阳和谐学习准则应用于动态模型选择中,分析了对于高斯分量的分割与合并判别准则及操作规则,并提出了一种基于BYY和谐学习的动态模型选择算法.模拟和真实数据的实验结果表明新建立的BYY动态模型选择算法不仅能够进行正确的模型选择.而且还能得出较好的参数估计.另外,在模型选择方面,这一算法优于基于MML(Minimam MessageLength)准则的竞争EM算法。