基于有限混合模型的聚類算法及其應(yīng)用.pdf

1、有限混合模型是分析復(fù)雜現(xiàn)象的一個(gè)靈活而強(qiáng)有力的建模工具，它提供了用簡(jiǎn)單結(jié)構(gòu)模擬復(fù)雜密度的一個(gè)有效方法，給出了模擬同質(zhì)性和異質(zhì)性的一個(gè)自然框架和半?yún)?shù)結(jié)構(gòu)。
　　基于有限混合模型的聚類是一種重要的聚類分析方法，而 EM算法(Expectation-Maximization algorithm)是估計(jì)混合模型參數(shù)的重要方法。傳統(tǒng)的EM算法對(duì)初始聚類中心比較敏感，因此如何選取初始值成為運(yùn)用EM算法實(shí)現(xiàn)有限混合模型聚類中的一個(gè)重要問(wèn)題。本

2、文提出一種基于網(wǎng)格的聚類算法來(lái)初始化EM算法，旨在改善EM算法的初始敏感性，使其達(dá)到更佳的聚類效果。此算法根據(jù)網(wǎng)格單元密度高低來(lái)識(shí)別孤立點(diǎn)和噪聲點(diǎn)，利用相似性度量進(jìn)行聚類，利用網(wǎng)格核思想來(lái)降低時(shí)間復(fù)雜度。仿真實(shí)驗(yàn)結(jié)果表明，該方法時(shí)間復(fù)雜度較低，且用該方法優(yōu)化初始聚類中心后的EM算法有著很好的穩(wěn)定性和精確性。
　　如何選取有限混合模型最優(yōu)分支數(shù)是一個(gè)相當(dāng)重要又困難的問(wèn)題，本文綜述了幾個(gè)基于Bayesian理論和信息編碼原理的方法，并