四帧间差分和改进混合高斯模型对运动目标的检测

针对运动目标检测过程中已有算法难以同时提高准确性和实时性的问题,提出四帧间差分结合改进的混合高斯模型(Gaussian mixture model,GMM)算法,首先利用四帧间差分对预处理的视频帧差分处理,得到背景区域和运动区域;其次,使用改进的GMM,借助计数器调整高斯模型,提高高斯分量的自适应性,根据单位灰度值确定高斯分量个数,并引入敏感参数改进传统混合高斯模型对学习率的依赖;模型更新时借助计数器确定更新时机;最后,对结果使用形态学处理,提高目标提取的精确度。与已有算法的性能相比,查准率和查全率的调和平均值提高了约44.8%,对GMM算法的改进使得模型训练与检测的计算时间分别缩短至原算法的0.16倍、0.27倍,相比传统的混合高斯模型和文献中的方法,计算时间分别缩短至1/54、1/4、16/25,且对多种场景均能有效适应。     

基于混合高斯模型的相关非高斯输入变量随机潮流计算

提出一种考虑输入变量相关性的随机潮流计算方法.该方法针对系统中的非高斯输入变量,建立其混合高斯模型(GMM).在此基础上,引入高斯分量组合算法(GCCM),通过多次加权最小二乘计算(WLS)直接求得输出变量的概率分布.研究限制GMM中高斯分量个数的约简方法,以减少WLS运算次数.对IEEE-30节点系统的仿真和误差分析表明,GMM具有拟合精度高、适用性广的特点.所提方法与MCS的计算结果基本一致,但计算效率有了显著提高,并且算法的速度和精度与WLS运算次数有关.     

基于高斯混合模型的视频对象分割算法

针对应用高斯混合模型（GMM）进行视频建模与分割时的模型选择及参数估计初值选择的难点，提出了一种基于GMM的视频对象分割算法．首先进行特征提取，在特征矢量中引入加权运动信息，可根据不同需要选择合理的加权系数，然后通过分割投影进行模型选择及期望最大化（EM）算法的参数初始化并估计参数，这种初值选择方案使得EM算法的初值和真实值较接近，加快了迭代运算的收敛速度，从而提高了视频对象的分割速度，最后对特征矢量进行聚类分割．仿真实验表明，在保持良好分割效果的同时，所提算法的运算速度约为常规方案的76％，并且具有良好的稳定性．     

基于改进的GMM参数估计的目标检测方法

背景减除法通过计算当前帧与背景模型的差来实现运动目标的检测,因此背景建模是背景减除法的关键;混合高斯模型(Gaussian mixture model,GMM)可对存在渐变及重复性运动的场景进行建模,有效的提高了在光线强度变化,物体摇摆等复杂场景下建模的准确性;但它也有其固有缺点,针对利用传统EM算法进行GMM模型参数估计时,易陷入解空间的局部最优的缺陷,采用基于最大惩罚的EM参数估计,对传统的EM算法进行改进;另外,在检测不需要满足实时性时,提出了一种基于差分进化算法的GMM参数估计法;最后把改进的GMM参数估计方法应用于基于GMM模型的运动目标检测当中进行验证,并得到很好的检测效果.     

基于惩罚距离的混合模型分量数自动估计算法

EM算法是对有限混合模型进行参数估计的通用算法, 然而标准EM算法中所需的混合模型分量数实际上往往是未知的. 研究并改进了一种采用惩罚性最小匹配距离估计分量数的方法, 结合贪婪EM算法框架, 提出一种可以在进行参数估计的同时, 快速准确地自动估计高斯混合模型分量数的算法. 通过一元和二元的高斯混合模型的仿真实验, 验证了算法的有效性. 关键词：有限混合模型; 分量数; 惩罚性最小匹配距离; 贪婪EM; Parzen窗; 带宽     

一种改进的路面裂缝图像分割方法

针对公路裂缝检测中的图像分割问题，运用机器学习领域的方法，以裂缝图像为研究对象，在深入分析经典K-Means聚类算法以及高斯混合模型（Gaussian Mixture Model, GMM）之后，提出一个利用全局K-Means和高斯混合模型来对公路裂缝图像进行分割的方法。该方法在全局K-Means聚类算法的基础上，采用改进策略，同时，将传统GMM的每一个概率分布，进一步再细分成单个的概率成分，在辅助变量计算过程中，采用EM算法。仿真图像和实际裂缝图像实验结果显示，本研究得到了比使用传统K-Means算法和普通GMM的分割方法精度更高、稳定性更好的分割结果。     

基于遗传算法的项目反应理论3PLM参数估计

对MT中3PLM的参数估计问题，用传统的统计估计方法解决得并不令人满意，该文应用加速遗传算法解决这一问题，这一方法克服了传统参数估计算法中对迭代初值要求严格的缺点．蒙特卡洛模拟结果显示，新的估计方法提高了估计值对真值的恢复能力，特别是提高了难度和猜测度参数估计的精度．     

一种模糊高斯混合说话人识别模型

为了研究模糊聚类算法在高斯混合模型（GMM）参数获取方面的应用,采用模糊C均值算法（FCM）进行语音特征矢量的聚类,并结合Tabu搜索算法得到全局最优的聚类结果,进一步用EM算法得到GMM模型参数.使用TIMIT数据库中的语音进行测试,开集和闭集说话人辨认实验都表明,该方法获取的GMM参数比普通EM算法获得的GMM模型参数性能更优,能有效降低说话人辨认系统的误识率.     

基于自适应形状先验的快速图像分割算法

 针对传统GrabCut算法在GMM迭代参数估计阶段时间复杂度较高,当图像中含有噪声或遮挡物时容易发生分割错误的问题,提出一种结合多阶抽样GMM与自适应形状先验的图像分割算法.该算法首先根据采样数定理对像素点进行均匀多阶抽样,依据样本点估计GMM参数;然后加入形状先验项约束图像分割过程,同时对形状先验约束比例采用自适应方法进行控制,获得最终分割结果.针对形状仿射变换,运用SURF与RANSAC进行处理,使本文算法更加灵活.实验表明,本文算法分割结果更加准确,效率更高.     

基于EM算法的高斯混合密度参数估计

描述最大似然参数估计问题,介绍如何用EM算法求解最大似然参数估计.首先给出EM算法的抽象形式,然后研究EM参数估计方法的一个应用:求高斯混合密度的参数.推导出高斯混合密度参数的迭代公式.     

基于正交混合Gauss模型的脱机手写数字识别

在基于统计方法的脱机手写数字识别中 ,为更加有效地描述特征的类条件概率分布 ,设计出性能优良的 Bayes分类器 ,采用了混合 Gauss模型。为减少模型的参数 ,通常假设各 Gauss分量的协方差矩阵为对角阵。由于各维特征之间统计相关 ,因此需要大量的 Gauss分量才能较好地描述特征的类条件概率分布 ,使得混合模型的阶数较高。为降低模型的阶数 ,采用了正交混合 Gauss模型 ,即先对各类别的特征分别进行 KL 变换 ,再将变换后的特征用混合 Gauss模型来表示。其中混合 Gauss模型的参数可以通过 EM算法进行估计。最后 ,在 NIST (National Institute of Standards andTechnology)手写数字样本集上对该方法的识别性能进行了验证     

基于Gaussian混合模型的LSF参数量化方法

为了高效率量化线谱频率(linear spectrumfrequency,LSF)参数,提出了基于G auss ian混合模型(G auss ian m ix ture m ode l,GMM)的LSF量化算法。假设LSF矢量属于GMM中的某一个G auss ian分布,用G auss ian分布随机矢量的量化方法对LSF矢量进行了量化。利用准确的G auss ian分布变量量化误差,得到了G auss ian分布矢量的比特分配方法。应用G auss ian分布随机变量的非均匀量化方法量化每一维LSF参数。最后给出了分裂矢量量化、基于概率密度函数(probab ility dens ityfunction,PDF)量化方法和该算法的性能对比。该无记忆LSF量化算法在21 b/帧可以达到透明量化,比传统Sp litVQ节省3 b。     

基于不同采样率的短航程油耗估计

针对多因素影响下的短航程油耗呈现双峰分布,提出了使用高斯混合聚类(Gaussian mixture model,GMM)和随机森林(random forest,RF)相结合的方法对短航程油耗进行估计。该算法先使用GMM对短航程油耗数据聚类,得到两个不同形状的聚类簇。以不同的采样率对两个聚类簇进行采样,构造子数据集,并对每个子集使用回归树进行训练。将CART回归树并行得到RF用于短航程油耗估计。在同一机型和航线,不同的航班数据上进行对比实验,结果验证了所提算法的有效性。     

基于三支决策的高斯混合聚类研究

针对隶属关系不明确的情况,即样本点属于多个类别的概率接近,高斯混合模型聚类存在较大的误判风险的问题,将三支决策思想融入高斯混合模型中,提出一种基于三支决策的高斯混合聚类算法.新算法计算出数据对象属于各个类簇的后验概率作为决策评价函数,用于确定聚类结果的正域和边界域.由于新算法对边界对象采取了比一般高斯混合聚类算法更加谨慎的操作,避免了直接做出对象属于某一类或不属于某一类的决策所需承担的风险,从而有效减小了误判代价.实验进一步表明,所提出的算法不仅继承了高斯混合聚算法的特点,具有良好的聚类性能,而且还对于非球形数据簇表现出优良的聚类效果.     

基于高斯混合密度函数估计的语音分离

基于最大熵法（Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ,ＭＥ）、最小互信息量法（Ｍｉｎｉｍｕｍ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）和最大似然法（ＭａｘｉｍｕｍＬＩｋｅｌｉｈｏｏｄ,ＭＬ）最解决盲信号分离问题的常用算法,分析了ＭＥ、ＭＭＩ以及ＭＬ算法之间关系。基于高斯混合模式（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ,ＧＭＭ）概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法,与     

纯量谱分解的Gevers-Wouters算法收敛性分析

滑动平均(MA)模型参数估计问题等价于一个谱分解问题,用Kalman滤波方法基于MA模型到状态空间模型的变换,证明了纯量可逆的MA模型参数估计的Gevers-Wouters算法的一致性和指数收敛性,且证明了收敛速度由MA多项式的零点决定。当MA多项式的零点不接近单位圆周时,Gevers-Wouters算法可高精度快速给出MA参数估值,是一种快速、简单、有效的谱分解算法,为状态估计、信号处理、时间序列分析、系统辨识提供了一种重要的工具。