认知无线电中的新型自适应动态信道分配算法

根据授权用户的业务特点,提出采用混合泊松分布对授权用户业务进行建模,通过采用最大期望(EM)算法估计混合泊松分布模型的参数从而达到对信道的空闲时长的概率密度估计的目的,并提出了基于估计结果的信道分配方案。仿真结果表明所提出的方案能有效降低冲突率和提高吞吐量,且具有良好的实用性和灵活性。     

编码辅助信噪比估计算法的性能分析

本文研究了基于编码辅助的信噪比期望最大（EM）估计算法。在分析编码辅助算法模型的基础上,建立了无编码辅助算法与编码辅助算法的联系,将无编码辅助算法看作是编码辅助算法的一种特殊情况。此外,将同步估计中的嵌入估计算法运用到信噪比迭代估计中,得到了一种简化的编码辅助算法,克服了原算法计算量过大的缺点。仿真结果表明,简化后的算法在降低算法复杂度的同时,仍能保持原算法的估计性能。     

基于因子分析的隐马尔可夫模型及其训练算法

虽然基于对角协方差矩阵高斯分布的隐马尔可夫模型(HiddenMarkovModelBasedonDiagonalGaussiandistributions,HMM-DG)目前在现代大词表连续语音识别系统中得到了广泛的应用,但HMM-DG在帧内特征相关(intra-framefeaturescorrelation)建模方面存在缺陷。该文将因子分析方法与HMM-DG的混合高斯建模相结合,提出了一种具有弹性的帧内特征相关隐马尔可夫模型框架—基于因子分析的隐马尔可夫模型(HiddenMarkovModelBasedonFactorAnalysis,HMM-FA),并导出了HMM-FA的训练算法。仿真实验表明:在相同的条件下,HMM-FA的性能优于HMM-DG。     

基于隐高斯混合模型的人脑MRI分割方法

针对传统的高斯混合模型的抗噪性能和鲁棒性较差的缺点,提出一种基于隐高斯混合模型的人脑MRI分割方法。传统的高斯混合模型由于忽略了空间信息和未考虑分割结果的分布情况导致模型不完整。针对这些缺点,把分割结果的概率密度函数作为隐含数据引入到高斯混合模型,建立了非线性加权的隐高斯混合模型;同时引入了含空间信息与平滑系数的高斯权重置指数;运用期望最大化算法与牛顿迭代法对类均值,类方差以及平滑系数进行求解,最后根据最大后验概率准则得到人脑MRI的最终分割结果。经实验表明,提出的方法对人脑MRI具有很好的鲁棒性与抗噪性能。     

期望最大算法及其应用（2）

EM算法是实现极大似然估计的一种有效方法,主要用于非完全数据的参数估计。文章的第一部分已经详细介绍了算法的基本原理,这部分内容着重介绍算法的各种应用,特别是高斯混合模型、隐马尔科夫模型和因子分析中的参数估计。     

EEG signal classification using wavelet feature extraction and a mixture of expert model

Mixture of experts (ME) is modular neural network architecture for supervised learning. A double-loop Expectation-Maximization (EM) algorithm has been introduced to the ME network structure for detection of epileptic seizure. The detection of epileptiform discharges in the EEG is an important component in the diagnosis of epilepsy. EEG signals were decomposed into the frequency sub-bands using discrete wavelet transform (DWT). Then these sub-band frequencies were used as an input to a ME network with two discrete outputs: normal and epileptic. In order to improve accuracy, the outputs of expert networks were combined according to a set of local weights called the “gating function”. The invariant transformations of the ME probability density functions include the permutations of the expert labels and the translations of the parameters in the gating functions. The performance of the proposed model was evaluated in terms of classification accuracies and the results confirmed that the proposed ME network structure has some potential in detecting epileptic seizures. The ME network structure achieved accuracy rates which were higher than that of the stand-alone neural network model.     

基于期望最大理论的无监督图像分割

本文提出了一种新的基于期望最大化以及贝叶斯信息准则的图像分割方法。首先，运用K均值方法初始化图像分布，运用期望最大算法估计输入图像参数数据，且图像中类的数目由贝叶斯消息准则自动确定。运用最大似然标准将像素归类于最相近的类中。本法的优点在于不过分依赖于原始估计，可以用来进行无监督的图像的分割。运用两幅真实图像进行了实验，结果表明此方法有效。     

基于高斯混合模型的汽轮机振动故障诊断

采用高斯混合模型(GMM)与小波包分析相结合的方法,对汽轮机振动故障进行了诊断研究.首先对振动故障信号进行小波包分解,去除干扰信号,提取包含故障特征信息的频段作为故障特征矢量.以此特征矢量建立GMM,并用建立的模型识别各种故障.利用在Bently实验台上测得的实验数据进行建模及故障识别.计算结果中,当模数M=12时,GMM识别故障的正确率约80%～90%,表明GMM结合小波包分析进行汽轮机振动故障诊断的方法能取得较好的效果.