排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
基于高斯混合模型的EM学习算法 总被引：7，自引：0，他引：7
本文研究了一类基于无监督聚类学习的算法——EM算法的算法实现．EM算法通常用于存在隐含变量时的聚类学习，由于引入了隐含变量，导致算法难以保证收敛和达到极优值．本文通过将该算法应用于高斯混合模型的学习，引入重叠度分析的方法改进EM算法的约束条件，从而能够确保EM算法的正确学习． 相似文献
2.
对索引表算法进行了改进。主要是对原始数据文本按列循环读入一维数组之中，先对一维数组利用冒泡法进行排序，再利用索引表和最小二乘法对原始数据进行R估计，然后对拟合方程的自变量进行了高阶构造，利用主成分分析方法寻求主要影响因素，并结合最小二乘法，从而实现对逐步回归方法的替代。而后，根据以上计算原理建立了搜索最优方程的计算流程，采用这一计算流程可以查找异常值，然后利用EM算法对异常值进行了调整。 相似文献
3.
基于EM算法约束条件下参数的估计 总被引：2，自引：5，他引：2
讨论了多元正态模型中的参数估计问题.利用EM算法和ECM算法给出了多元正态模型在协方差阵已知或未知的情况下,参数在简单序约束、伞型序约束和递增的凸序约束条件下的极大似然估计.当参数向量不多于三个分量时,给出了显式结果;当参数向量高于三个分量时,给出了求参数极大似然估计的相应线性变换. 相似文献
1