论文部分内容阅读
针对数据真实的概率分布不符合事先假设的高斯混合模型的情形，提出了一种鲁棒的基于高斯混合模型的聚类方法．首先，提出了一种新的模型选择准则，即完整似然最短信息长度准则．该准则不仅能衡量模型对数据的拟合优度，还能度量该模型对数据分组的性能．然后，将该准则作为聚类的代价函数．提出了一种新的期望最大化算法来估计模型参数．与标准的期望最大化算法相比，新算法能较好地避免不理想的局部最优解．实验结果表明：当数据概率分布模型不符合假设的高斯混合模型时，所提方法可克服现有的基于高斯混合模型聚类方法过拟合的缺点，鲁棒地得到准确