基于高斯混合模型的语音带宽扩展算法的研究

为了降低高带谱失真,研究了带宽扩展算法中特征参数与高带谱包络的互信息和高带谱失真之间的函数关系,并在此基础上提出了一种扩展高斯混合模型带宽扩展算法。首先,算法选择与高带谱包络互信息大的参数构成特征矢量,并根据高斯混合模型计算特征矢量与高带谱包络的联合概率密度。其次,采用Expectation-Maximization(EM)算法估计高斯分量模型参数并计算后验概率。最后,通过后验概率估计高带谱包络。实验结果表明,与传统的高斯混合模型带宽扩展算法相比,本文算法可降低0.3 dB的高带平均谱失真,将谱失真大于10dB的语音帧减少了50%以上。      

噪声方差未知时的分布式量化估计融合方法

为了解决观观测噪声和信道噪声概率分布不完全已知时的多传感器分布式量化估计融合问题,提出了一种期望极大化算法(EM算法)的分布式量化估计融合方法。该方法将未知的噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验结果表明:该方法在局部传感器观测样本数目大于6000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当。本文方法对水下分布式协同探测问题提供了一种简化的估计融合实现途径。      

高斯噪声中的参数盲估计

一般的盲信号处理方法常忽略噪声的影响,而实际问题中噪声的影响是存在的。本文主要讨论了在协方差矩阵未知的加性高斯噪声中混合系数的盲估计问题。以最大似然估计为基础,本文提出一种求解参数的最优化算法,并给出了混合矩阵和协方差矩阵的计算式。采用高斯混合模型(GMM)来逼近源信号的概率密度函数,简化了算法中的积分,导出了一种实用的期望最大算法(EM)算法迭代式。计算机仿真结果表明,算法不仅能稳定收敛,而且在低信噪比下的性能也很好。     

基于混合高斯模型测距误差修正和EM-SOM的节点定位算法设计

针对RSSI信号强度定位方法中当发射节点和接收节点之间的无线电传播路径被障碍物阻挡而造成噪声误差,使得节点定位欠精确的问题,设计了一种基于混合高斯模型进行测距误差修正和EM-SOM的节点定位算法;首先,通过混合高斯模型对RSSI获得的测量距离误差进行建模,通过EM方法对混合高斯模型中的各参数即各高斯模型的权值、均值和协方差进行训练,采用自组织的SOM对测量距离样本进行聚类,获得各高斯模型的初始权值,最后,将测量距离输入训练后的高斯模型获得较为真实的距离值,并通过极大似然估计进行节点的定位;实验结果表明文中方法能对具有噪声误差的节点进行定位,且相对其它方法,具有平均定位误差和均方根误差小的优点,具有较大的优越性。     

基于卷积高斯混合模型的统计压缩感知

高斯混合模型被广泛应用于统计压缩感知中信号先验概率分布的建模.利用高斯混合模型对图像的概率分布进行建模时,通常需要先对图像分块,再对图像块的概率分布进行建模.本文提出卷积高斯混合模型对整幅图像的概率分布进行建模.通过期望极大化算法求解极大边缘似然估计,实现模型中未知参数的估计.此外,考虑到在整幅图像上计算的复杂度较高,本文在卷积高斯混合模型和压缩测量模型中引入循环卷积,所有的训练和恢复过程都可以利用二维快速傅里叶变换实现快速运算.仿真实验表明,本文所提的MMLEconvGMM算法的恢复性能要优于传统的压缩感知算法的恢复性能.     

面向语音增强的约束序贯高斯混合模型噪声功率谱估计

提出了一种基于极大似然的噪声对数功率谱估计方法,采用高斯混合模型对每一个频带上的功率谱包络构建统计模型,将时序包络划分为语音和非语音类,它们分别对应于高斯混合模型的两个高斯分量,描述语音和非语音的统计分布,其中非语音高斯分量的均值即为噪声功率谱的最优估计.采用序贯学习的方法,在极大似然准则下逐帧更新模型参数,并逐帧给出噪声功率谱的最优估计值。此外,由于序贯更新过程中语音信号长时缺失,容易导致模型失稳,提出了一种在线的最小描述长度准则(MDL)来判断语音信号是否长时缺失,从而保证了模型的稳定性.实验表明,算法性能整体优于经典的MS和IMCRA算法。      

基于高斯混合概率假设滤波的水下目标跟踪算法

为了解决传统水下目标跟踪中目标数目估计不准确、状态估计误差增长过快的问题,提出了一种基于高斯混合概率假设滤波的水下目标跟踪算法。该算法基于双基地观测模型,采用高斯混合概率假设滤波算法处理方位和时延信息,利用粒子群算法处理多普勒频率获得矢量速度,进一步提升算法的跟踪精度。结果表明,该算法能完成在杂波环境下对目标的跟踪,相比传统的关联算法,能够有效地实现目标个数估计和抑制状态误差增长的目的。     

非线性混合模式的语音盲分离算法

本文针对FIR非线性混合模型，基于最大熵算法，提出了一种以高斯混合模式概率密度函数估计替代传统对数化概率密度估计的盲分离算法，以偶函数为非线性激活函数，采用最大期望（EM）迭代算法推导了分离算法的权向量迭代公式，通过模拟仿真实验结果与传统的最大熵和高阶累积量方法比较，新算法提高了收敛速度，并有效地完成了非线性语音分离任务，抑制了干扰语音信号的影响，提高了输出信噪比。     

基于高斯混合模型的多区域并行增长图像分割算法

为克服经典区域增长算法中生长规则以及特征选取的困难,提出了基于高斯混合模型的多区域并行区域增长图像分割算法。首先交互选择多个不同区域的种子点,并利用交互式选择的属于每个区域的子块得到混合模型的个数;然后利用最大期望估计混合模型参数作为区域增长的初始参数,并在增长过程中不停地调节模型参数。为了避免初始种子点位置选择对算法性能的影响,采用了多区域并行竞争增长策略。仿真实验获得了较好的分割效果,表明所提出的算法是合理可行的。     

基于混合映射模型的语音转换算法研究

分析了语音转换研究中使用高斯混合模型映射算法时转换特征出现过平滑的问题,认为协方差矩阵估计不准确导致的转换特征细节信息的丢失是产生过平滑问题的主要原因,提出了使用码本映射和高斯混合模型共同转换声学特征细节的混合映射算法。此外提出了利用音素信息进行快速高斯混合模型训练的训练方法。客观评价表明使用音素信息的训练方法比常规方法性能指标平均提高了12．87％,而混合映射算法在使用音素信息的训练方法基础上比传统高斯混合模型转换算法性能指标提高了27．13％     

复Contourlet域有向图与高斯混合模型的声呐图像增强

提出了复Contourlet域(CCT)中有向图与高斯混合模型的声呐图像增强算法。采用复Contourlet分析提取各尺度中声呐图像每一方向的弱特征信息;为建立特征信息间的联系,考虑复Contourlet域相邻尺度间子带系数的状态具有Markov性,子节点系数的状态依赖于父节点系数状态,构建有向概率图模型反映复系数的这种持续性;尺度内,构建高斯混合模型来建立同尺度中特性信息的联系,以两状态高斯混合模型来表征子带系数的非高斯边缘分布;最后,采用期望最大(EM)算法训练模型参数估计增强图像的系数,实现声呐图像增强。实验结果表明,本文算法与小波域隐马尔可夫树(HMT)算法、Contourlet域HMT算法相比,峰值信噪比(PSNR)增大4 dB以上,结构相似(SSIM)指数增加0.3;本文算法不仅能较好地抑制了声呐图像的强噪声,同时保留了图像边缘和轮廓等弱特征信息。      

Clustering gene expression data analysis using an improved EM algorithm based on multivariate elliptical contoured mixture models

Clustering gene expression data is an important research topic in bioinformatics because knowing which genes act similarly can lead to the discovery of important biological information. Many clustering algorithms have been used in the field of gene clustering. The multivariate Gaussian mixture distribution function was frequently used as the component of the finite mixture model for clustering, however the clustering cannot be restricted to the normal distribution in the real dataset. In order to make the cluster algorithm strong adaptability, this paper proposes a new scheme for clustering gene expression data based on the multivariate elliptical contoured mixture models (MECMMs). To solve the problem of over-reliance on the initialization, we propose an improved expectation maximization (EM) algorithm by adding and deleting initial value for the classical EM algorithm, and the number of clusters can be treated as a known parameter and inferred with the QAIC criterion. The improved EM algorithm based on the MECMMs is tested and compared with some other clustering algorithms, the performance of our clustering algorithm has been extensively compared over several simulated and real gene expression datasets. Our results indicated that improved EM clustering algorithm is superior to the classical EM algorithm and the support vector machines (SVMs) algorithm, and can be widely used for gene clustering.     

基于麻雀搜索算法的土壤重金属X射线荧光光谱重叠峰解析

近年来随着土壤重金属污染的加剧,和人们环境意识的逐渐提高,科研人员对快速检测土壤重金属含量方法的研究正在不断深化。目前,X射线荧光分析法(XRF)是广泛应用于土壤重金属污染检测的方法。但由于X射线荧光光谱仪的能量分辨率有限,而一些重金属元素的荧光产额较低,一些元素的相邻谱峰出现了重叠现象。针对XRF法中元素相邻谱峰的重叠问题,提出了一种基于麻雀搜索算法(SSA)的光谱重叠峰解析方法。首先,将从河北保定地区采样得到的土壤,制备出不同含水率、不同重金属元素含量的样本并用X射线荧光光谱仪获取原始光谱数据。接着,对光谱数据进行预处理,采用谱聚类算法剔除异常光谱样本,采用Savitzky-Golay五点二次去噪法和线性本底法完成对光谱的去噪和本底扣除,并对光谱净计数用随机数法生成大量模拟光谱数据,以备后续算法使用。然后,用期望最大化法(EM)对重叠峰进行初步解析,首先设置EM算法的初始参数,并将生成的模拟光谱数据代入EM算法,当达到迭代次数时,即可初步得到高斯混合模型(GMM)中各高斯峰的期望、方差和权重参数。但由于EM算法容易受初始参数设置的影响,且易陷入局部最优而导致结果不准确,还需对EM算法进一步优化。本研究采用SSA对GMM的各参数进行全局优化,在设置SSA算法的基本参数后,将100组由EM算法得到的参数作为该算法的初始种群,并设置合适的适应度函数,通过迭代,最终得到全局最优参数,实现了重叠峰的分解。SSA受参数设置的影响较小,相比于一些传统的优化算法,如遗传算法(GA)、蚁群算法(ACO)、粒子群算法(PSO)等,具有收敛速度快、不易陷入局部最优的特点,因此,采用此算法,可以达到较好的优化效果。通过对重叠峰解析结果的分析表明,该算法可在较少的迭代次数下得到较准确的解析结果,可广泛应用于能谱重叠峰解析。     

Variational Sparse Bayesian Learning for Estimation of Gaussian Mixture Distributed Wireless Channels

In this paper, variational sparse Bayesian learning is utilized to estimate the multipath parameters for wireless channels. Due to its flexibility to fit any probability density function (PDF), the Gaussian mixture model (GMM) is introduced to represent the complicated fading phenomena in various communication scenarios. First, the expectation-maximization (EM) algorithm is applied to the parameter initialization. Then, the variational update scheme is proposed and implemented for the channel parameters’ posterior PDF approximation. Finally, in order to prevent the derived channel model from overfitting, an effective pruning criterion is designed to eliminate the virtual multipath components. The numerical results show that the proposed method outperforms the variational Bayesian scheme with Gaussian prior in terms of root mean squared error (RMSE) and selection accuracy of model order.     

差分传声器阵列期望最大化多声源方位估计方法

针对小尺寸传声器阵列多声源方位估计易受混响噪声影响的问题,提出了一种适用于差分传声器阵列的期望最大化多声源方位估计方法。首先,该方法利用期望最大化算法求解出各个时频点瞬时方位估计所应满足的高斯混合模型参数;然后,通过时频点分离技术估计出各声源的方位值。针对现有的硬、软时频点分离技术应用于差分传声器阵列所存在的缺陷,还提出了一种改进的时频点分离方法,该方法融合了软、硬分离方法所具有的优点,有效降低了时频点分离结果对混响噪声的敏感性。仿真和实测实验结果表明:相较于现有的差分传声器阵列多声源估计方法,所提方法在混响噪声环境下具有更高的估计精度和稳健性能。      

A localization approach for multiple sound sources via an expectation maximization algorithm using differential microphone arrays

Conventional sound localization approaches with small-sized microphone arrays are usually sensitive to noise and reverberation. To deal with the problem, an approach based on expectation maximization algorithm with differential microphone arrays(DMAs) is proposed.Firstly, the parameters of Gaussian mixture model for time-frequency instantaneous direction estimation are estimated through the EM algorithm, and then the direction of each sound source is estimated via time-frequency separation. In order to overcome the weakness of existing time-frequency separation techniques, an improved method, which combines the advantages of both the hard and soft separation methods, is also proposed. The improved time-frequency separation method is shown to be less sensitive to noise and reverberation. Simulation and experimental results demonstrate that the proposed localization approach is superior to its existing counterparts in terms of localization accuracy and robustness.     

贝叶斯概率图像自动分割研究

探讨了一种新的图像自动分割的方法。提出应用高斯有限混合模型与期望－极大化算法对图像特征空间的数据进行聚类，采用信息理论准则（ITC）确定要分割的图像区域数目，用贝叶斯概率分割图像。整合这些技术可以实现图像自动分割，而且实验结果表明信息理论准则可以确定适当的区域数目。     

一种基于粒子群优化的高斯混合灰度图像增强算法

提出一种采用粒子群优化(PSO)的高斯混合灰度图像增强算法。该算法首先采用高斯混合模型(GMM)对输入图像的灰度直方图建模,并采用模型中高斯成分的有效交点来分割直方图。随后,该算法将每个直方图区间的灰度值转换到合适的输出区间,生成增强后的灰度图像,其中转换函数由输入直方图区间的高斯成分和累积分布经过粒子群优化后的参数决定。实验结果显示,该方法生成的图像视觉效果较好,对原图像和纹理细节丰富图像分别进行图像增强,增强后的图像信息熵分别是4.746 6和7.952 6,灰度平均梯度为6.970 6和37.386 1。     

基于多模态平稳序列建模的雷达高分辨距离像有限样本目标识别方法

为了解决雷达高分辨距离像识别系统对训练样本需求量过大的问题,提出了一种有限样本条件下的目标识别新方法。分析了距离像频谱幅度的统计特性,从其广义平稳性和多模态分布特性出发,定义一种线性混合高斯状态空间模型对其统计建模,利用期望最大化算法进行了模型参数估计。实验结果表明:即使在很少的训练样本条件下,该方法仍能获得较高的正确识别率和良好的拒判性能。