基于EM算法的极大似然参数估计探讨

首先介绍了EM算法，然后研究了基于EM算法的混合密度极大似然参数估计，最后利用计算机仿真验证了此算法的收敛性和有效性。     

递增EM算法的图像聚类

研究在样本子集中实现EM估计的递增EM算法.通过检测子样本的似然判断条件,自动选择样本递增的数量,建立子样本的拟合分布逐步逼进完全样本的高斯模型的过程,改进了传统EM算法在每一步迭代都需要遍历完全样本的计算复杂性以及效率较低的问题.实验结果表明,与EM算法相比,该算法能更早地达到估计值的领域,具有较快的收敛速度,聚类效...     

基于EM算法的Dirichlet分布的参数估计

为了克服Dirichlet分布的传统估计算法复杂且不能保证有效性的缺陷,将基于Dirichlet分布的随机表示引入缺失数据,构造了EM算法计算参数的极大似然估计,算法简单的同时保证了估计的有效性.最后进行统计模拟,结果表明,本文提出的基于EM算法的Dirichlet分布的参数估计有很好的估计精度.     

无失效数据的EM算法

在可靠性统计的定时截尾寿命试验中,最后一个失效时间与定时截尾时刻之间的信息常被忽略.本文利用EM算法来处理这一情形.先用已知数据来估计出未观察到的潜在数据,进而得出可靠性指标的估计.并将EM算法与极大似然估计及修正极大似然估计进行了比较,可以明显看出EM方法优于后两者.最后将EM算法推广到无失效数据情形下,得出无失效数据下的指数分布平均寿命的一个估计.     

基于EM算法的光滑参数选择

在非参数建模中,可以通过最小化均方误差（mean squared error）来优化光滑参数λ,即需要刻画出均方误差随λ的变化趋势,进而使均方误差最小的λ值即为最优的估计值,但在实际应用中并不知道回归函数的显示表达式,因此方法具有一定的局限性;通过样条回归模型与混合效应模型之间的关系,结合极大似然理论与EM算法去优化光滑参数λ.     

定时截尾下Weibull分布参数估计的EM算法

在可靠性统计的定时截尾寿命试验中,最后一个失效时间与截尾时刻之间的信息常被忽略.利用EM算法来处理这一情形,得出Weibull分布中尺度参数的迭代解.并将EM算法与传统的极大似然估计进行了比较,可以看出EM算法明显优于传统的极大似然估计.     

指数几何混合模型参数的嵌套EM算法

本文介绍了由指数分布和一个截尾分布混合得到的指数几何混合分布模型,简记为EG模型。它的概率密度函数为f（x;β,p）=β（1-p）e-2βx（2-pe-βx）（1-pe-βx）-2,通过直接积分得到该分布的矩为E（xr;β,p）=p-1（1-p）r!β-r[p-1L（p,r）-1]。首先说明了用EM算法在M步中不能求得参数β和p的极大似然估计的显式解,需要用数值解法,然后通过嵌套一个EM算法在另一个EM算法中,外层EM算法是基于混合模型的缺失数据讨论,内层EM算法是针对截尾观测数据的,得到了参数的极大似然估计量。     

正态模型参数线性不等式约束估计的优化算法

研究含有不完全数据的多元正态模型参数在一般线性不等式约束下的极大似然估计问题;利用约束EM算法求得多元正态模型参数的迭代解,同时提出M-步的优化算法;并证明了此解是一般线性不等式约束下的最优解.     

EM算法收敛的必要条件

本文从变换Ｊａｃｏｂｉａｎ阵角度出发指出了ＥＭ算法收敛的必要条件，并给出了验证这一条件的近似方法，这为ＥＭ算法的实际应用提供了一定的帮助，而且避免了文章［２］，［４］中的纯数学条件     

含缺失数据线性模型回归系数的约束EM算法

应用EM算法求含缺失数据的约束线性模型回归系数的极大似然估计,该回归系数满足线性不等式约束.我们提出M-步的优化算法,并针对正态模型讨论EM序列的收敛性,最后举例说明算法的应用.     

一类混合正态分布参数估计的EM算法和数据扩张

从解析的角度得到混合正态分布参数的ML估计是很困难的.通过引入“缺失数据”,利用Little和Schluchter（1985）提出的处理分类和连续数据的方法,给出具有相同协方差阵的混合正态分布参数估计的EM算法和数据扩张算法.     

Robust maximum-likelihood parameter estimation of stochastic state-space systems based on EM algorithm

This paper addresses the problems of parameter estimation of multivariable stationary stochastic systems on the basis of observed output data. The main contribution is to employ the expectation-maximisation (EM) method as a means for computation of the maximum-likelihood (ML) parameter estimation of the system. Closed form of the expectation of the studied system subjected to Gaussian distribution noise is derived and parameter choice that maximizes the expectation is also proposed. This results in an iterative algorithm for parameter estimation and the robust algorithm implementation based on technique of QR-factorization and Cholesky factorization is also discussed. Moreover, algorithmic properties such as non-decreasing likelihood value, necessary and sufficient conditions for the algorithm to arrive at a local stationary parameter, the convergence rate and the factors affecting the convergence rate are analyzed. Simulation study shows that the proposed algorithm has attractive properties such as numerical stability, and avoidance of difficult initial conditions.     

Robust maximum-likelihood parameter estimation of stochastic state-space systems based on EM algorithm

This paper addresses the problems of parameter estimation of multivariable stationary stochastic systems on the basis of observed output data. The main contribution is to employ the expectation-maximisation (EM) method as a means for computation of the maximum-likelihood (ML) parameter estimation of the system. Closed form of the expectation of the studied system subjected to Gaussian distribution noise is derived and parameter choice that maximizes the expectation is also proposed. This results in an iterative algorithm for parameter estimation and the robust algorithm implementation based on technique of QR-factorization and Cholesky factorization is also discussed. Moreover, algorithmic properties such as non-decreasing likelihood value, necessary and sufficient conditions for the algorithm to arrive at a local stationary parameter, the convergence rate and the factors affecting the convergence rate are analyzed. Simulation study shows that the proposed algorithm has attractive properties such as numerical stability, and avoidance of difficult initial conditions.     

高斯混合粒子滤波器在静基座捷联惯导系统初始对准中的应用

为解决传统粒子滤波算法中影响状态估计性能的采样枯竭问题,提出一种高斯混合粒子滤波(GMPF)算法,基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,采用加权EM算法取代传统粒子滤波的再采样过程,减弱了采样枯竭的影响,增强了算法的估计性能.对捷联惯导系统静基座大方位失准角初始对准的仿真结果表明,该算法的估计精度优于扩展卡尔曼滤波.     

基于高斯混合密度模型的医学图像聚类方法

研究了医学图像的聚类问题,提出一种基于高斯混合密度模型的K-EM聚类算法,并将此算法用于人体腹部图像数据,实现肝、肾、脾等主要器官的分类.在算法中,随机选取腹部图像像素数据,用QAIC信息准则确定训练样本的最佳类别数;用K均值聚类算法得到混合模型的初始参数;用期望最大(EM)算法多次迭代建立腹部图像数据的混合密度模型;运用贝叶斯准则,将腹部图像所有像素值划分到混合模型中相应的模型分支,得到每个器官像素值划分的正确率与误判率.试验结果表明,新算法分类的平均正确率高于85%、误判率低于10%,优于K均值算法.     

多入多出系统中一种新的部分极大似然算法

提出了一种新的应用于多入多出(MIMO)系统的结合最小均方误差串行干扰消除(MMSE-SIC)的部分极大似然(ML)算法.该算法对一部分符号进行ML估计,并结合MMSE-SIC算法对其他符号进行检测,最后选择与接收信号欧式距离最小的一组符号向量作为解调输出.仿真结果表明,在4发4收V-BLAST系统中BER=10-2处,所提出算法比传统的MMSE-SIC算法有大约4 dB的性能增益,甚至接近于ML算法的性能,而且对于空间相关也具有较强的鲁棒性.     

协同通信系统中基于EM算法的半盲信道估计与迭代检测

研究协同通信系统的信道估计和符号检测技术,提出一种基于EM(Expectation Maximum)算法的半盲信道估计和迭代检测接收方案.它有利于减少协同通信系统的额外系统开销,并能有效提高协同通信的信道估计精度和系统误码性能.