4 Скрытые марковские модели (1162172), страница 3
Текст из файла (страница 3)
Часть 1ВетровЛикбезОсновыпримененияСММЕМ-алгоритмГрафическиемодели снеполнымиданнымиРазделениегауссовскойсмесиПрименение ЕМ-алгоритма для разделения смеси двухгауссиан. Итерация 5.Пример работы ЕМ-алгоритмаЛекция 3.Скрытыемарковскиемодели. Часть 1ВетровЛикбезОсновыпримененияСММЕМ-алгоритмГрафическиемодели снеполнымиданнымиРазделениегауссовскойсмесиПрименение ЕМ-алгоритма для разделения смеси двухгауссиан.
Итерация 20.Недостатки ЕМ-алгоритмаЛекция 3.Скрытыемарковскиемодели. Часть 1ВетровЛикбезОсновыпримененияСММЕМ-алгоритмГрафическиемодели снеполнымиданнымиРазделениегауссовскойсмеси• В зависимости от выбора начального приближенияможет сходиться к разным точкам• ЕМ-алгоритм находит локальный экстремум, вкотором значение правдоподобия может оказатьсянамного ниже, чем в глобальном максимуме• ЕМ-алгоритм не позволяет определить количествокомпонентов смеси l• !! Величина l является структурным параметром!!Применение ЕМ-алгоритма для описаниясложных плотностейЛекция 3.Скрытыемарковскиемодели. Часть 1ВетровЛикбезОсновыпримененияСММЕМ-алгоритмГрафическиемодели снеполнымиданнымиРазделениегауссовскойсмесиСмесью гауссиан можно эффективно приближать сложные,плохо-параметризуемые плотности.
При этом получаютсяаналитически заданные приближения.