论文部分内容阅读
混合专家系统的原始模型及其推广形式，层次混合专家系统，已经被广泛应用于不同的领域，以解释数据的非线性及其他一些复杂特性，例如用于人脸识别、时间序列预测。
一般地，混合专家模型采用极大化似然函数的方法估计参数，通常用EM算法实现，但是模型中专家的个数必须事先给定，而在实际应用中往往不知道这一信息。本文在正则理论的框架下，采用正则极小化交叉熵(RMCE)算法来训练混合专家模型，专家的个数可以在学习中自动选择。这一特点使得混合专家模型在曲线检测和时间序列预测中表现优良的性能。
混合专家模型用于时间序列预测时，实验结果表明RMCE算法比EM算法更灵活，性能更好。此外，我们考虑混合专家模型在曲线检测中的应用。当采用RMCE算法来训练时，混合专家模型可以自动检测图像中的曲线。实验表明此算法不但能抗噪声，还能自动确定曲线的数目，因此优于传统的Hough变换。