一种基于递增估计GMM的连续优化算法

• 作者: 庄镇泉 李斌 王先基 钟润添
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 分布估计算法 连续优化 贪心EM算法 递增学习 高斯混合模型
• 年，卷（期）: 2007,（6）
• 所属期刊栏目: 研究论文与技术报告
• 页码范围: 979-985
• 页数: 7页
• 分类号: TP18
• 字数: 4417字
• 语种: 中文
• DOI: 10.3321/j.issn:0254-4164.2007.06.012

摘要

目前的分布估计算法(estimation of distribution algorithms)中概率模型的学习或多或少存在着对先验知识的依赖,而这些先验知识往往是不可预知的.针对这一问题,文中提出采用集成学习(ensemble learning)的思想实现EDAs中概率模型结构和参数的自动学习,并提出了一种基于递增学习策略的连续域分布估计算法,该算法采用贪心EM算法来实现高斯混合模型(GMM)的递增学习,在不需要任何先验知识的情况下,实现模型结构和参数的自动学习.通过一组函数优化实验对该算法的性能进行了考查,并与其它同类算法进行了比较.实验结果表明该方法是有效的,并且,相比其它同类EDAs,该算法用相对少的迭代,可以得到同样或者更好的结果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李斌	中国科学技术大学自然计算与应用实验室	372	5610	37.0	58.0
5	庄镇泉	中国科学技术大学电子科学与技术系	120	2729	26.0	47.0
6	钟润添	中国科学技术大学自然计算与应用实验室	4	84	4.0	4.0
10	王先基	中国科学技术大学电子科学与技术系	1	25	1.0	1.0