[發(fā)明專利]一種基于變分貝葉斯的自適應(yīng)高斯混合縮減方法

在審

• 申請?zhí)枺?/td>: 202011409115.8
• 申請日: 2020-12-05
• 公開（公告）號: CN112508087A
• 公開（公告）日: 2021-03-16
• 發(fā)明（設(shè)計）人: 李天成;唐欣怡;楊峰;鄭麗濤
• 申請（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 金鳳

本發(fā)明公開了一種基于變分貝葉斯的自適應(yīng)高斯混合縮減方法。首先進行權(quán)重檢測與剪枝，然后將眾多高斯分量建立為高斯混合模型，利用VBEM算法實現(xiàn)無監(jiān)督式聚類，最終利用SMM算法進行類間合并，完成自適應(yīng)高斯混合縮減，將仿真效果與傳統(tǒng)的k?means和EM進行對比，得到較好的結(jié)果。該方法克服了傳統(tǒng)的高斯混合縮減問題中僅僅依靠歐氏距離進行分類依據(jù)的局限性，適用于多媒體數(shù)據(jù)的監(jiān)督學(xué)習(xí)、數(shù)據(jù)融合、模式識別、目標(biāo)檢測跟蹤、非線性濾波器設(shè)計等領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明屬于信息融合技術(shù)領(lǐng)域，具體涉及一種高斯混合縮減方法。

背景技術(shù)

在許多實際應(yīng)用中，例如：多媒體數(shù)據(jù)的監(jiān)督學(xué)習(xí)、數(shù)據(jù)融合、模式識別、目標(biāo)檢測跟蹤、非線性濾波器設(shè)計中，高斯混合是系統(tǒng)的重要概率表示。但是，在數(shù)據(jù)處理過程中會出現(xiàn)高斯分量數(shù)目隨著時間呈指數(shù)增長這一問題。因此，高斯混合約簡算法的研究就顯得尤為重要。

文獻“Xu Y,Fang Y,Peng W,et al.An efficient Gaussian Sum Filter basedon Prune-Cluster-Merge Scheme[J].IEEE Access,2019,PP(99):1-1.”提出了一種基于剪枝-聚類-合并(Prune-Cluster-Merge,PCM)方案的高斯混合縮減方法。該方法首先采用一種自適應(yīng)權(quán)重刪減策略用于刪除對后驗分布貢獻不大的高斯分量。然后，采用基于分布相似性準(zhǔn)則的高斯聚類方法，將剩余分量劃分為多個聚類。最后，將獲得的聚類與協(xié)方差相交算法集成在一起，通過保持原始分布的形狀，將同一聚類中的分量合并為標(biāo)準(zhǔn)高斯分量。但是，該方法在進行聚類判斷過程中，單純使用歐氏距離作為依據(jù)，導(dǎo)致聚類效果不夠理想，如相距較近的屬于不同目標(biāo)的高斯分量，會因為歐氏距離近而被合為一類進行數(shù)據(jù)處理。除此之外，在該方法中，聚類過程需要知道先驗信息-聚類數(shù)目，但先驗信息我們通常無法得知，這就導(dǎo)致了該方法實用性不夠。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于變分貝葉斯的自適應(yīng)高斯混合縮減方法。首先進行權(quán)重檢測與剪枝，然后將眾多高斯分量建立為高斯混合模型，利用VBEM算法實現(xiàn)無監(jiān)督式聚類，最終利用SMM算法進行類間合并，完成自適應(yīng)高斯混合縮減，將仿真效果與傳統(tǒng)的k-means和EM進行對比，得到較好的結(jié)果。該方法克服了傳統(tǒng)的高斯混合縮減問題中僅僅依靠歐氏距離進行分類依據(jù)的局限性，適用于多媒體數(shù)據(jù)的監(jiān)督學(xué)習(xí)、數(shù)據(jù)融合、模式識別、目標(biāo)檢測跟蹤、非線性濾波器設(shè)計等領(lǐng)域。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括以下步驟：

步驟1：自適應(yīng)權(quán)重剪枝；

將所有高斯分量對應(yīng)的權(quán)重進行升序排列：

ω⁽¹⁾≤...ω^(j)...≤ω^(N) (1)

其中ω^(j)指從小到大排序中第j個權(quán)重，權(quán)重總數(shù)量有N個；

定義γ_n為保留的分量的權(quán)重和與所有原始分量權(quán)重總和的比值：

刪除權(quán)重從小到大排序中前n個權(quán)重對應(yīng)的分量：定義n_max是可取的n的最大值：

n_max＝max(arg(γ_n≥ρ)) (3)

其中，ρ為閾值，能夠根據(jù)3σ規(guī)則確定；

最終計算經(jīng)過剪枝剩余的高斯分量數(shù)M：