基于改進(jìn)EM算法的混合模型參數(shù)估計(jì)及聚類分析.pdf

1、EM算法出于在參數(shù)估計(jì)等領(lǐng)域的廣泛應(yīng)用，近年來發(fā)展十分迅速。但EM算法也存在一些自身缺陷，諸如迭代公式推導(dǎo)復(fù)雜，收斂速度對(duì)迭代初值選取依賴較大，以及如何將其改進(jìn)用于混合分支數(shù)未知情況下的混合模型參數(shù)估計(jì)問題，本文正是基于對(duì)上述問題的解決加以展開的。 首先，在本文第一章大致介紹了EM算法的產(chǎn)生背景及其原理、性質(zhì)。其次，在第二章中，通過具體的算法實(shí)施過程，向讀者展示了EM算法在混合模型參數(shù)估計(jì)中原理簡(jiǎn)單、思路清晰的優(yōu)越性，同時(shí)也讓讀

2、者感受到推導(dǎo)過程的復(fù)雜性，基于此，本文采取將復(fù)雜問題拆解為簡(jiǎn)單問題累加的處理思路，給出了改進(jìn)的EM算法在混合正態(tài)參數(shù)估計(jì)中迭代公式的推導(dǎo)過程，且迭代公式與傳統(tǒng)EM算法一致，但推導(dǎo)過程相對(duì)簡(jiǎn)便。同時(shí)，給出了一種基于K—means聚類算法的迭代初值選取方法。在第三章中，由于用EM算法在混合模型參數(shù)估計(jì)中涉及到運(yùn)用后驗(yàn)概率密度實(shí)現(xiàn)數(shù)據(jù)分組，加大了計(jì)算的復(fù)雜度，影響了算法的效率。本文參照常規(guī)K—means動(dòng)態(tài)聚類法，在每次迭代過程將參數(shù)修正和數(shù)