EM算法(讲解+程序).docxVIP

EM算法实验报告算法简单介绍EM 算法是Dempster，Laind，Rubin于1977年提出的求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行 MLE估计，是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理缺损数据、截尾数据以及带有噪声等所谓的不完全数据，可以具体来说，我们可以利用EM算法来填充样本中的缺失数据、发现隐藏变量的值、估计HMM中的参数、估计有限混合分布中的参数以及可以进行无监督聚类等等。本文主要是着重介绍EM算法在混合密度分布中的应用，如何利用EM算法解决混合密度中参数的估计。算法涉及的理论我们假设X是观测的数据，并且是由某些高斯分布所生成的， X是包含的信息不完整（不清楚每个数据属于哪个高斯分布）。，此时，我们用k维二元随机变量Z（隐藏变量）来表示每一个高斯分布，将Z引入后，最终得到：， ，然而Z的后验概率满足（利用条件概率计算）：但是，Znk为隐藏变量，实际问题中我们是不知道的，所以就用Znk的期望值去估计它（利用全概率计算）。 然而我们最终是计算max：最后，我们可以得到（利用最大似然估计可以计算）：算法的具体描述3.1 参数初始化对需要估计的参数进行初始赋值，包括均值、方差、混合系数以及。3.2 E-Step计算利用上面公式计算后验概率，即期望。3.3 M-step计算重新估计参数，包括均值、方差、混合系数并且估计此参数下的期望值。3.4 收敛性判断将新的与旧的值进行比较，并与设置的阈值进行对比，判断迭代是否结束，若不符合条件，则返回到3.2，重新进行下面步骤，直到最后收敛才结束。算法的流程图是否收敛否是实验结果a_best= 0.8022 0.1978mu_best= 2.7148 3.9307 4.9882 3.0102cov_best= (:,:,1) = 5.4082 -0.0693 -0.0693 0.2184(:,:,2) = 0.0858 -0.0177 -0.0177 0.0769f= -1.6323数据X的分布每次迭代期望值利用EM估计的参量值与真实值比较（红色：真实值 青绿色：估计值）参考文献M. Jordan. Pattern Recognition And Machine LearningXiao Han. EM Algorithm附录close all;clear;clc;%参考书籍Pattern.Recognition.and.Machine.Learning.pdf% % lwm@% 2009/10/15%% M=2; % number of GaussianN=200; % total number of data samplesth=0.000001; % convergent thresholdK=2; % demention of output signal% 待生成数据的参数a_real =[4/5;1/5];mu_real=[3 4; 5 3];cov_real(:,:,1)=[5 0; 0 0.2];cov_real(:,:,2)=[0.1 0; 0 0.1];% generate the datax=[ mvnrnd( mu_real(:,1) , cov_real(:,:,1) , round(N*a_real(1)) ) , mvnrnd(mu_real(:,2),cov_real(:,:,2),N-round(N*a_real(1)))];% for i=1:round(N*a_real(1))% while (~((x(1,i)0)(x(2,i)0)(x(1,i)10)(x(2,i)10)))% x(:,i)=mvnrnd(mu_real(:,1),cov_real(:,:,1),1);% end% end% % for i=round(N*a_real(1))+1:N% while (~((x(1,i)0)(x(2,i)0)(x(1,i)10)(x(2,i)10)))% x(:,i)=mvnrnd(mu_real(:,1),cov_real(:,:,1),1);% end% endfigure(1),plot(x(1,:),x(2,:),.)%这里生成的数据全部符合标准%% %%%%%%%%%%%%%%%% 参数初始化a=[1/3,2/3];mu=[1 2;2 1];%均值初始化完毕cov(:,:,1)=[1 0; 0 1];cov(:,:,2)=[1 0; 0 1];%协方差初始化%% EM Algorothm% loopcount=0;figure(2)