学位论文 > 优秀研究生学位论文题录展示

基于进化优化方法的高斯混合模型在智能数据分析中的应用

作　者: 周红
导　师: 张建华
学　校: 华东理工大学
专　业: 控制科学与工程
关键词: GMM AIC准则进化算法分类建模说话人识别
分类号: TP18
类　型: 硕士论文
年　份: 2014年
下　载: 15次
引　用: 0次
阅　读: 论文下载

内容摘要

高斯混合模型(Gaussian Mixture Models, GMM)是一种重要的机器学习方法,其目的是建立目标数据集的概率模型。此外,GMM优化策略是提高模型精度的关键；其过程包括准确估计高斯分量个数及对应参数。鉴于GMM标准的参数估计策略——期望最大化(Expectation-Maximization, EM)算法,往往要求较准确的初值且易于陷入局部极值,本文基于赤池信息准则(/Akaike’s Information Criterion, AIC)和进化算法来优化GMM。其中,进化算法是基于群体智能(Swarm Intelligence)的理论,首先将所要估计的参数作为进化算法群体中的个体来表征问题,再通过群体中个体之间的合作和竞争产生新个体,进化新一代种群,从而优化参数。进化算法对初始解的要求不高,已经成为一种得到广泛应用的全局优化算法。在优化过程中,由于GMM中含有的协方差矩阵必须是正定对称的,使用进化算法来优化GMM参数往往遇到困难。本文应用一种针对任意协方差矩阵的新的参数化方法,这种方法能够保证进化后矩阵保持正定对称性。基于仿真数据和实测数据的计算分析结果表明,基于AIC准则和进化算法优化的GMM在智能数据建模与分析问题中有着良好的效果。最后,针对说话人识别问题,比较分析了具有不同优化方法的GMM的分类性能。

全文目录

摘要  5-6
Abstract  6-7
目录  7-9
第1章绪论  9-16
  1.1 课题研究背景和意义  9-12
  1.2 课题研究现状  12-13
  1.3 论文的主要工作和结构安排  13-16
第2章高斯混合模型简介  16-21
  2.1 高斯混合模型  16-17
  2.2 基于GMM的数据建模  17-20
    2.2.1 基于AIC准则的GMM分量个数的确定  17-18
    2.2.2 基于EM优化算法的GMM  18-20
  2.3 基于GMM的模式分类  20
  2.4 本章小结  20-21
第3章进化算法用于GMM的优化  21-30
  3.1 差分进化算法  21-24
    3.1.1 DE算法的进化机制  22-23
    3.1.2 DE算法的参数选取  23-24
  3.2 粒子群优化算法  24-26
    3.2.1 PSO算法的进化机制  24-26
    3.2.2 PSO算法的参数选取  26
  3.3 基于进化算法的GMM参数估计  26-29
    3.3.1 协方差参数化方法及种群个体表示  26-28
    3.3.2 个体适应度函数  28
    3.3.3 基于进化优化的GMM算法流程  28-29
  3.4 本章小结  29-30
第4章基于进化算法的GMM在智能数据分析中的应用  30-55
  4.1 数据集来源和描述  30-32
  4.2 基于GMM的智能数据建模与分类  32-53
  4.3 结果比较与分析  53-54
  4.4 本章小结  54-55
第5章基于进化算法的GMM在说话人识别中的应用  55-81
  5.1 说话人识别问题  55-58
    5.1.1 研究背景和问题描述  55-57
    5.1.2 现有研究方法概述  57-58
  5.2 基于GMM的说话人识别  58-80
    5.2.1 Speaker数据集来源和描述  58-59
    5.2.2 基于GMM的说话人识别原理  59-60
    5.2.3 基于EM算法的GMM在说话人识别中的应用  60-66
    5.2.4 基于进化算法的GMM在说话人识别中的应用  66-79
    5.2.5 结果及分析  79-80
  5.3 本章小结  80-81
第6章总结与展望  81-83
  6.1 总结  81
  6.2 展望  81-83
参考文献  83-86
致谢  86

基于进化优化方法的高斯混合模型在智能数据分析中的应用

内容摘要

全文目录

相似论文