基于高斯混合模型的EM算法改进与优化

摘要

作为聚类分析的一种重要模型,高斯混合模型在模式识别领域得到了广泛的应用.高斯混合模型的参数通常使用EM算法迭代训练获得.然而,传统的EM算法具有稳定性低,容易陷入局部极小值等缺点.针对传统EM算法的不足,改进了相关算法,在迭代过程中引入了自适应模型合并和模型分裂的策略.通过计算各高斯模型的熵,合并权值过低的模型,分裂熵过大的模型.此外,还优化了算法计算过程的相关步骤.相应实验结果表明,与传统EM算法相比,改进后的算法具有更强的适应性和更好的性能.