基于有限混合模型的聚類算法及其應(yīng)用.pdf

1、有限混合模型是分析復(fù)雜現(xiàn)象的一個靈活而強有力的建模工具，它提供了用簡單結(jié)構(gòu)模擬復(fù)雜密度的一個有效方法，給出了模擬同質(zhì)性和異質(zhì)性的一個自然框架和半?yún)?shù)結(jié)構(gòu)。
　　基于有限混合模型的聚類是一種重要的聚類分析方法，而 EM算法(Expectation-Maximization algorithm)是估計混合模型參數(shù)的重要方法。傳統(tǒng)的EM算法對初始聚類中心比較敏感，因此如何選取初始值成為運用EM算法實現(xiàn)有限混合模型聚類中的一個重要問題。本

2、文提出一種基于網(wǎng)格的聚類算法來初始化EM算法，旨在改善EM算法的初始敏感性，使其達(dá)到更佳的聚類效果。此算法根據(jù)網(wǎng)格單元密度高低來識別孤立點和噪聲點，利用相似性度量進(jìn)行聚類，利用網(wǎng)格核思想來降低時間復(fù)雜度。仿真實驗結(jié)果表明，該方法時間復(fù)雜度較低，且用該方法優(yōu)化初始聚類中心后的EM算法有著很好的穩(wěn)定性和精確性。
　　如何選取有限混合模型最優(yōu)分支數(shù)是一個相當(dāng)重要又困難的問題，本文綜述了幾個基于Bayesian理論和信息編碼原理的方法，并