论文部分内容阅读
在数据分析和自动化处理中,高斯混合模型是一种非常有效的概率模型和分析工具。在实际应用中,我们所遇到的许多数据都可以看作来自于多个高斯分布的线性混合体,即高斯混合模型。在高斯混合分布的建模方面,人们已经提出了多种行之有效的算法。早期的算法是在高斯分量个数已知的情况下进行参数估计的,如基于参数学习的EM算法。但当高斯分量个数未知时,这些算法就无法取得满意的效果。为了克服这一缺陷,最近所提出的基于BYY和谐学习原则的自动模型选择的不动点学习算法很好的地解决了分量个数或模型选择与参数估计这一交错问题,使得参数学习过程中自动完成了模型选择。但随着样本数据的不断积累,出现了大尺度的数据源。如果直接使用这些大尺度的数据,这些学习算法会耗费大量的时间,并占有巨大的储存空间。为了解决这一问题,人们提出了数据尺度可压缩的算法的思想,即我们先对于大尺度的数据进行处理和压缩,降低数据的尺度,但最大限度的保持原来数据中的信息,然后将算法作用在压缩处理后的数据集上,得到模型参数的估计。本文对于基于高斯混合模型的数据尺度可压缩的学习算法进行了新的探讨,提出采用频率敏感竞争学习(FSCL)算法进行数据压缩和处理的方案,并将其应用到EM算法和BYY不动点学习算法。通过模拟数据的实验和图像分割实验,我们验证了这种方案的可行性和有效性。