基于协方差的高斯混合模型参数学习算法  

Covariance Based Learning Algorithm for Gaussian Mixture Model

作　　者：廖晓锋[1,2] 范修斌[3] 姜青山[2] 

机构地区：[1]南昌大学信息工程学院,南昌330031 [2]中国科学院深圳先进技术研究院,深圳550085 [3]中国科学院软件研究所,北京100190

出　　处：《计算机科学》2013年第11A期77-81,共5页Computer Science

基　　金：深圳市战略性新兴产业发展专项资金基础研究重点项目:海量恶意软件鉴别关键技术及其在钓鱼网站检测中的应用(JCYJ20120 617120716224);江西省教育厅青年科学基金项目:双模态概率主题模型及基于DOT的并行扩展研究(GJJ13013)资助

摘　　要：对混合高斯模型参数估计问题的算法通常是基于期望最大(Expectation Maximization)给出的。在混合高斯模型的因素协方差矩阵已知、因素各分量独立的前提下,给出了基于协方差矩阵的机器学习算法,简称CVB(Covariance Based)算法,并进行了一定的数学分析。最后给出了与期望最大算法的实验结果比较。实验结果表明,在该条件下,基于协方差的算法优于期望最大算法。Expectation maximization is commonly used for parameter estimation in Gaussian mixture model. This paper presented a machine learning algorithm based on covariance（CVB） for solving the Gaussian mixture model with the specific constrain that eovariance is already known. Experiments show that the CVB algorithm has better performance than the EM algorithm with regard to the specific constraint.

关 键 词：混合高斯模型 期望最大化 协方差 CVB算法 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]