文章摘要
刘旺锁,王平波,顾雪峰.混合高斯参数估计的两种EM算法比较[J].声学技术,2014,33(6):539~543
混合高斯参数估计的两种EM算法比较
Comparison of two EM algorithms for Gaussian mixture parameter estimation
投稿时间:2014-04-29  修订日期:2014-08-07
DOI:10.3969/j.issn1000-3630.2014.06.012
中文关键词: 混合高斯  最大似然估计  期望最大化  贪婪期望最大化
英文关键词: Gaussian mixture  Maximum Likelihood Estimation(MLE)  Expectation-Maximization(EM)  Greedy Expectation-Maximization(GEM)
基金项目:国家自然科学基金资助项目(51109218).
作者单位E-mail
刘旺锁 海军工程大学, 湖北武汉 430033
广州大学, 广东广州 510006 
 
王平波 海军工程大学, 湖北武汉 430033 blackberet@126.com 
顾雪峰 海军工程大学, 湖北武汉 430033  
摘要点击次数: 1143
全文下载次数: 2209
中文摘要:
      混合高斯模型是一种典型的非高斯概率密度模型,获得广泛应用.其参数的优效估计可以通过最大似然方法获得,但最大似然估计往往因其非线性而难以实现,故期望最大化(Expectation-Maximization, EM)迭代算法成为一种常用的替代方法.常规EM算法性能受迭代初值设置影响大,且不能对模型阶数做出估计.一种名为贪婪EM的改进算法可以克服这两个缺点,获得更为准确的模型参数估计,但其运算量一般会远大于前者.本文对这两种EM算法进行综合研究,深入挖掘两者之间的关系,并基于相同的数值仿真实例,直观地演示比较两者的性能差异.
英文摘要:
      Gaussian mixture is a typical and widely-used non-Gaussian probability density distribution model. The expectation-maximization algorithm is a usual iterative realization for the maximum likelihood estimation of its parameters. However, its performance depends highly on the initial values. And it can not estimate the order of Gaussian mixture. The greedy expectation-maximization algorithm can solve these problems by incrementally adding Gaussian components to the mixture. But its operation quantity is often much larger than the former. The relationship between these two algorithms is discussed, and their concrete realization methods are given comparatively. With the same numerical instance, their performance differences are illustrated and studied.
查看全文   查看/发表评论  下载PDF阅读器
关闭