基于Bootstrap方法上的新修正EM算法

对于成分数据的处理往往是进行对数比变换，这时，如果数据中含有零点或是近似零点，变换后就会出现负无穷的数据．因此，对于成分数据中零点或是近似零点的处理就成为成分数据分析中的一个重要的课题，文献中采用了基本线性回归的修正EM算法，文章将此方法进行了改进，提出了基于Bootstrap方法上的修正EM算法，这两种方法均是在迭代的初值给定步骤进行了改进．模拟研究对上述提到的两种方法进行了比较，结果显示此方法相比原有的修正EM算法，算法更为简便，得到的估计更为精确．     

ZIP回归模型的数据删除度量和广义杠杆

为了探测含零较多的计数数据对ZIP回归模型的影响,基于EM算法和完全数据似然函数,笔者利用数据删除方法研究了模型的全局影响,得到了参数估计的一步近似表达式以及相应的广义Cook距离和Q-距离,并研究了在EM框架下的广义杠杆值.最后,通过实际问题说明了所得统计量的有效性.     

基于EM算法的无失效数据的参数估计

利用EM算法,在无失效数据样本下,对指数分布和Weibull分布的参数进行估计,得到了参数所满足的非线性方程或方程组.并利用EM算法的收敛性,保证用迭代的方法得到的非线性方程或方程组的近似解,正是收敛于参数真值的估计.最后对实际数据进行模拟计算,得到了合理的结果.     

零一膨胀泊松回归模型的EM算法改进

首先提出了处理0和1数据偏多的零一膨胀泊松回归模型,其次对模型建立了参数的极大似然估计.针对传统的EM算法只能使得估计收敛到局部极大值这个缺陷,提出了一种随机EM算法对传统的EM算法进行修正,使得模型能够找到全局最优解.最后通过模拟研究说明该方法的有效性.     

EM算法的BFGS加速算法

EM 算法是一种求参数极大似然估计的迭代算法,在处理不完全数据中有重要应用.EM 算法实现简单,数值计算稳定,存储量小,具有良好的全局收敛性,但EM 算法收敛速度慢只是次线性的收敛速度,妨碍了EM 算法的应用.现已提出了多种加速EM 算法收敛的方法.本文是在EM算法的拟Newton加速算法的基础上,使用非线性规划中对称秩2校正公式(BFGS公式)给出了一种新的加速EM 算法收敛的方法.它是针对EM的M步的,在共享 EM算法单调增加似然函数值和稳定收敛的基础上提高EM算法的收敛速度.最后用数值试验结果验证了该加速算法的有效性和可行性.     

基于数据删除的Poisson-Gamma模型的影响评价

为了研究记数数据对于Poisson-Gamma模型的影响，该文通过引入EM算法，利用基于完全数据似然函数的条件期望进行影响诊断分析，并且进一步基于数据删除模型研究全局影响，得到了数据删除模型中参数估计的一步近似和相应的广义Cook距离和Q-距离。最后，利用所得统计量获得一个实际记数数据中的影响点，结果说明该文提出的方法是有效的。     

EM算法在不完全数据参数估计中的应用

EM算法是参数估计中一种很重要的方法,在处理不完全数据中有重要应用．用EM算法给出了基于状态空间模型的不完全数据的参数估计,得到了利用迭代算法计算参数估计值的方法．将之用于实例,结果表明,预测结果很好．误差在可接受范围内．     

基于体素值及其梯度值的三维医学体数据分类

结合目前PC图形硬件和医学图像的特点,对基于体素值及其梯度值的体数据分类模型进行了改进,提出了一种改进模型的加速算法.保证不透明度随梯度幅度值的增加而增加的前提下,对梯度幅度值进行放大,以避免过小的梯度幅度值最终产生零值不透明度.结合体数据的窗口变换,用户可以选择不同的梯度幂,观察到不同梯度幅度值的组织边界,为体数据的分类带来了灵活性.     

基于修正Sigmoid核的成分数据缺失值填补法

大多数统计分析方法基于完整的数据集,这些方法不能直接用于包括缺失值的数据集.此外,由于成分数据的特殊属性,传统的缺失值插补方法直接用于这种类型的数据可能得到不良的结果.因此,对成分数据而言,缺失值的填补具有十分重要的意义.为了解决这个问题,根据核函数的性质,提出了一种基于修正Sigmoid核的成分数据缺失值非参数插补方法.该方法使用模拟和真实的数据集与k近邻插补法和最小二乘迭代回归插补法进行比较.实验结果表明,新的插补方法可以得到更准确的估计.     

基于半监督的K-means聚类改进算法

针对原始K-means算法的一系列问题,提出一种基于半监督的K-means聚类改进算法,能够自动进行聚类,找出最优K值,并且最大限度地找出孤立点.首先根据样本集自身的特点,按照"类内尽可能相似"原则一步一步形成数据集,然后对数据集进行"去噪"与合并相似簇,最后,利用少量的标记信息指导和修正聚类结果.在UCI的多个数据集...     

基于对称对数比变换的成分数据预测建模方法

文章基于对称对数比变换,提出一种成分数据的预测建模方法,并利用该方法对北京市三次产业的数据进行简要分析.     

MIMO系统中信道估计与序列联合检测

提出了MIMO系统中基于EM(Expectation Maximization)-SD(Sphere Decoding)相结合的信道估计和检测的联合处理算法。在采用EM-SD算法进行联合处理时,首先通过观测数据、训练序列及以前估计的符号对信道信息进行更新,随后把更新后的信道信息及观测数据重新送入SD算法中进行最小距离搜索,从而可以估计发送符号。仿真显示:这种联合估计及检测算法的性能属于次优算法,但是其复杂度会随着搜索而下降。在比较少的迭代次数下,可以获得理想的信道估计和检测结果。     

广义I型逐阶区间删失混合Weibull数据的参数估计

源于有限混合总体的广义I型逐阶区间删失数据参数估计方法的研究不多,基于有限混合Weibull模型,讨论Expectation-Maximization(EM)算法对广义I型逐阶区间删失数据参数估计的有效性及其改进。首先给出估计参数的EM算法,通过仿真算例,说明EM算法对广义I型逐阶区间删失混合数据参数估计产生了过度迭代现象,进而,提出了停止EM算法的加权绝对偏差信息准则。改进的EM算法改善了EM算法无法确定参数估计停止迭代时刻的不足,在选择适当初值后,可快速获得满意的参数估计结果。仿真算例验证了该方法的有效性。     

基于期望极大化算法的转弯机动目标跟踪

针对目标做转弯机动时产生的运动模式的不确定性问题，提出了基于期望极大化（EM）算法的转弯机动目标跟踪算法，采用转弯速率来描述目标的转弯机动，并将转弯速率作为待估量，用EM算法对转弯速率序列进行估计，从而获得对目标状态的精确估计．最后，给出了该算法的批处理形式和递推形式．新算法有效地提高了目标的跟踪精度．Monte—Carlo仿真表明，与标准的交互式多模型算法相比，批处理EM算法使目标的位置和速度的跟踪精度提高了70％以上，当转弯速率处于稳态时，递推EM算法使目标的位置和速度的跟踪精度提高了20％以上．     

混合动力电动汽车辅助功率单元模型辨识

为提高模型辨识精度,基于阶跃响应,推导了二阶带零点/死区(SOPZ/DT)连续模型的直接辨识算法. 以辅助功率单元(APU)微缩系统阶跃响应数据为依据,利用所推算法进行模型辨识. 对所得模型进行仿真并与试验值相比较,结果证明,所得模型预测精度较高,可以作为控制模型得以应用.     

改进的非负矩阵因子分解算法在基因数据分析中的应用

提出一种改进的非负矩阵因子分解算法．在非负矩阵因子分解的迭代计算过程中加入了数据平滑处理来解决抖动问题,并用于一组白血病微阵列数据分析．实验结果表明,改进过的非负矩阵分解算法提高了分类的准确率,同时这个方法避免了NMF算法的“零值”问题．     

A Novel Approach for Unsupervised Segmentation of Homogeneous Regions in Gray-scale Images

IntroductionImagesegmentationisoneofthemostimportantstepsleadingtotheanalysisofprocessedimagedata—itsmaingoalistodivideanimageintopartsthathaveastrongcorrelationwithobjectsorareasoftherealworldcontainedintheimage.Therefore,imagesegmentationisusefulinmanyapplicationsforidentifyingregionsorobjectsofinterestinasceneorannotatingthedata,includingobjectdetectionandextraction,motiontracking,objectbasedvideocodingetc.However,imagesegmentationisalongstandingproblemincomputervisionanditsverydifficultto…