基于分裂EM算法的GMM参数估计

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (34): 28-32.

基于分裂EM算法的GMM参数估计

钟金琴1，3，辜丽川2，檀结庆3，李莹莹3

1.安徽大学电子与信息系，合肥 230031
2.安徽农业大学计算机信息学院，合肥 230036
3.合肥工业大学计算机与信息学院，合肥 230009

出版日期:2012-12-01 发布日期:2012-11-30

Estimating parameters of GMM based on split EM

ZHONG Jinqin1，3, GU Lichuan2, TAN Jieqing3, LI Yingying3

1.Department of Electronic and Information, Anhui University, Hefei 230031, China
2.School of Information and Computer, Anhui Agriculture University, Hefei 230036, China
3.School of Computer and Information, Hefei University of Technology, Hefei 230009, China

Online:2012-12-01 Published:2012-11-30

摘要/Abstract

摘要： 期望最大化（Expectation Maximization，EM）算法是一种求参数极大似然估计的迭代算法，常用来估计混合密度分布模型的参数。EM算法的主要问题是参数初始化依赖于先验知识且在迭代过程中容易收敛到局部极大值。提出一种新的基于分裂EM算法的GMM参数估计算法，该方法从一个确定的单高斯分布开始，在EM优化过程中逐渐分裂并估计混合分布的参数，解决了参数迭代收敛到局部极值问题。大量的实验表明，与现有的其他参数估计算法相比，算法具有较好的运算效率和估算准确性。

关键词: 高斯混合模型, 期望最大化, 参数估计, 模式分类

Abstract: The expectation maximization algorithm has been classically used to find the maximum likelihood estimates of parameters in mixture probabilistic models. Problems of the EM algorithm are that parameters initialization depends on some prior knowledge, and it is easy to converge to a local maximum in the iteration process. In this paper, a new method of estimating the parameter of GMM based on split EM is proposed, it starts from a single mixture component, sequentially split and estimates the parameter of the mixture components during expectation maximization steps. Extensive experiments show the advantages and efficiency of the proposed method.

Key words: Gaussian Mixture Model（GMM）, Expectation Maximization（EM）, parameters estimation, pattern classification

钟金琴1，3，辜丽川2，檀结庆3，李莹莹3. 基于分裂EM算法的GMM参数估计[J]. 计算机工程与应用, 2012, 48(34): 28-32.

ZHONG Jinqin1，3, GU Lichuan2, TAN Jieqing3, LI Yingying3. Estimating parameters of GMM based on split EM[J]. Computer Engineering and Applications, 2012, 48(34): 28-32.

[1]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[2]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[3]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[4]	孟娜，李艳艳，汪霖. 基于CITAF-HAF的立方调频信号参数估计[J]. 计算机工程与应用, 2021, 57(17): 75-79.
[5]	蔡瑞光，张德生，张晓. 基于双向选择的伪近邻算法[J]. 计算机工程与应用, 2021, 57(13): 102-107.
[6]	许瀚誉，冯翔，虞慧群. 万有引力与群体状态自适应的智能优化算法[J]. 计算机工程与应用, 2020, 56(9): 48-55.
[7]	曾春艳，马超峰，王志锋，朱栋梁，赵楠，王娟，刘聪. 深度学习框架下说话人识别研究综述[J]. 计算机工程与应用, 2020, 56(7): 8-16.
[8]	贾兵兵，曹辉，秦驰杰. 基于SGMM和DNN结合提高音素识别率的研究[J]. 计算机工程与应用, 2019, 55(24): 117-121.
[9]	王秋萍，王梦娜，王晓峰. 改进收敛因子和比例权重的灰狼优化算法[J]. 计算机工程与应用, 2019, 55(21): 60-65.
[10]	陈超. 高斯混合模型结合加权似然的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(12): 124-131.
[11]	仇功达1，何明1，祝朝政1，杨杰2，刘勇1. 基于稀疏交界最大密度连通的模糊聚类方法[J]. 计算机工程与应用, 2018, 54(14): 82-88.
[12]	梁恺彬，管一弘. 基于隐高斯混合模型的人脑MRI分割方法[J]. 计算机工程与应用, 2018, 54(10): 196-203.
[13]	董育宁，朱善胜，赵家杰. 基于[t]分布混合模型的半监督网络流分类方法[J]. 计算机工程与应用, 2018, 54(10): 31-38.
[14]	李健1，曲怀敬1，王美平2，许鸿奎1. 基于PCA和广义高斯建模的多聚焦图像融合[J]. 计算机工程与应用, 2017, 53(5): 216-221.
[15]	周静1，赵鲁阳1，罗炬锋1，2. 基于时域特征提取的围栏入侵模式分类方法[J]. 计算机工程与应用, 2017, 53(21): 98-102.