Theory and Use of the EM Algorithm

ویرایش:  
نویسندگان: Gupta M.R.,  Chen Y.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: [76] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 Mb 

قیمت کتاب (تومان) : 34,000

مبانی و روندها در پردازش سیگنال NOWPress, 2011, -76 صفحه =\"bb-sep\">این مقدمه بر الگوریتم انتظار-بیشینه سازی (EM) درک شهودی و ریاضی دقیقی از EM ارائه می دهد. دو مورد از محبوب‌ترین کاربردهای EM به تفصیل شرح داده شده‌اند: تخمین مدل‌های مخلوط گاوسی (GMMs)، و تخمین مدل‌های پنهان مارکوف (HMM). راه‌حل‌های EM نیز برای یادگیری یک مخلوط بهینه از مدل‌های ثابت، برای تخمین پارامترهای یک توزیع دیریکله مرکب، و برای جدا کردن سیگنال‌های روی هم قرار گرفته‌اند. مسائل عملی که در استفاده از EM بوجود می آیند، و همچنین انواع الگوریتم که به مقابله با این چالش ها کمک می کند، مورد بحث قرار می گیرد. روش حداکثرسازی انتظارات
الگوریتم EM
تضاد EM با یک نوع ساده
استفاده از یک قبلی با EM (MAP EM)
تعیین داده های کامل
یک مثال اسباب بازی< br/>تحلیل EM
همگرایی
بیشینه سازی–بیشینه سازی
آمیخته های یادگیری
یادگیری ترکیب بهینه از مدل های ثابت< br/>یادگیری یک GMM
تخمین یک GMM محدود
مثال های EM بیشتر
یادگیری یک مدل مخفی مارکوف
تخمین مکان های فرستنده چندگانه
تخمین یک توزیع دیریکله مرکب
انواع EM
EM ممکن است بهینه جهانی را پیدا نکند
EM ممکن است محاسبه را ساده نکند
سرعت
وقتی حداکثر کردن احتمال هدف نیست
نتیجه‌گیری و برخی یادداشت‌های تاریخی

Из серии Foundations and Trends in Signal Processing издательства NOWPress, 2011, -76 pp. Про алгоритм максимума правдоподобия (expectation maximization) – описание, тренинг, приложения This introduction to the expectation–maximization (EM) algorithm provides an intuitive and mathematically rigorous understanding of EM. Two of the most popular applications of EM are described in detail: estimating Gaussian mixture models (GMMs), and estimating hidden Markov models (HMMs). EM solutions are also derived for learning an optimal mixture of fixed models, for estimating the parameters of a compound Dirichlet distribution, and for dis-entangling superimposed signals. Practical issues that arise in the use of EM are discussed, as well as variants of the algorithm that help deal with these challenges. The Expectation-Maximization Method
The EM Algorithm
Contrasting EM with a Simple Variant
Using a Prior with EM (MAP EM)
Specifying the Complete Data
A Toy Example
Analysis of EM
Convergence
Maximization–Maximization
Learning Mixtures
Learning an Optimal Mixture of Fixed Models
Learning a GMM
Estimating a Constrained GMM
More EM Examples
Learning a Hidden Markov Model
Estimating Multiple Transmitter Locations
Estimating a Compound Dirichlet Distribution
EM Variants
EM May Not Find the Global Optimum
EM May Not Simplify the Computation
Speed
When Maximizing the Likelihood Is Not the Goal
Conclusions and Some Historical Notes