基于Hellinger距离-高斯混合模型的聚类方法

摘要

本发明公开了一种基于Hellinger距离‑高斯混合模型的聚类方法，应用于机械故障诊断与聚类分析领域。为解决现有技术存在的无标注数据识别精度低的问题，本发明方法改进了高斯混合模型的聚类能力，在最大化对数似然函数的基础上，引入了最小化基于Hellinger距离的正则项，前者用于在数据流形空间内衡量其概率分布间的距离，后者用于约束后验概率的更新过程，结合广义期望极大算法逐步更新高斯混合模型的参数，最终使得所得的混合模型的概率分布生成给定数据的概率最大，从而实现了数据的自动学习和聚类，对于无标注的数据可以准确判断其类别信息，为大数据的智能学习提供了可行的方法。