Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: expectation maximization

Sortuj według:

Ogranicz wyniki do:

Novel statistical approach for segmentation of brain magnetic resonance imaging using an improved expectation maximization algorithm

100%

Yang Y. , Huang S.

2006

tom Vol. 36, nr 1

125-136

In this paper, an improved expectation maximization (EM) algorithm called statistical histogram based expectation maximization (SHEM) algorithm is presented. The algorithm is put forward to overcome the drawback of standard EM algorithm, which is extremely computationally expensive for calculating the maximum likelihood (ML) parameters in the statistical segmentation. Combining the SHEM algorithm and the connected threshold region-growing algorithm that is used to provide a priori knowledge, a novel statistical approach for segmentation of brain magnetic resonance (MR) image data is thus proposed. The performance of our SHEM based method is compared with those of the EM based method and the commonly applied fuzzy C-means (FCM) segmentation. Experimental results show the proposed approach to be effective, robust and significantly faster than the conventional EM based method.

Estimation of parameters of Gaussian mixture models by a hybrid method combining a self-adaptive differential evolution with the EM algorithm

63%

Kwedlo W.

Advances in Computer Science Research

2014

tom Nr 11

109--123

In the paper the problem of learning of Gaussian mixture models (GMMs) is considered. A new approach based on hybridization of a self-adaptive version of differential evolution (DE) with the classical EM algorithm is described. In this approach, called DEEM, the EM algorithm is run until convergence to fine-tune each solution obtained by the mutation and crossover operators of DE. To avoid the problem with parameter representation and infeasible solutions we use a method in which the covariance matrices are encoded using their Cholesky factorizations. In a simulation study GMMs were used to cluster synthetic datasets differing by a degree of separation between clusters. The results of experiments indicate that DE-EM outperforms the standard multiple restart expectation-maximization algorithm (MREM). For datasets with high number of features it also outperforms the state of-the-art random swap EM (RSEM).

W pracy poruszono problem uczenia modeli mieszanin rozkładów normalnych. Zaproponowano nowe podejście, nazwane DE-EM, oparte na hybrydyzacji samoadaptacyjnego algorytmu ewolucji różnicowej i klasycznego algorytmu EM. W nowej metodzie rozwiązanie otrzymane jako wynik operatorów mutacji i krzyżowania jest poddawane optymalizacji lokalnej, prowadzonej aż do momentu uzyskania zbieżności, przez algorytm EM. Aby uniknąć problemu z reprezentacją macierzy kowariancji i niedopuszczalności rozwiązań użyto metody, w której macierze kowariancji są kodowane przy pomocy dekompozycji Cholesky’ego. W badaniach symulacyjnych modele mieszanin rozkładów normalnych zastosowano do grupowania danych syntetycznych. Wyniki eksperymentów wskazują, że metoda DE-EM osiąga lepsze wyniki niż standardowa technika wielokrotnego startu algorytmu ˙ EM. Dla zbiorów danych z dużą liczbą cech, metoda osiąga lepsze wyniki niż technika losowej wymiany rozwiązań połączona z algorytmem EM.