基于EM算法的模型聚类的研究及应用
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景和意义 | 第7-8页 |
| ·研究现状 | 第8-9页 |
| ·聚类简介 | 第8页 |
| ·模型的研究现状 | 第8-9页 |
| ·需要研究的方向 | 第9-10页 |
| ·本文的研究应用 | 第10-11页 |
| ·论文的内容及章节安排 | 第11-13页 |
| 第二章 聚类的基础知识 | 第13-21页 |
| ·聚类分析 | 第13-16页 |
| ·类的定义 | 第13-14页 |
| ·聚类的典型方法 | 第14-15页 |
| ·聚类的评价标准 | 第15-16页 |
| ·聚类分析的应用 | 第16页 |
| ·使用模型描述数据 | 第16-21页 |
| ·模型简介 | 第16-17页 |
| ·概率模型 | 第17-18页 |
| ·混合模型 | 第18-21页 |
| 第三章 EM 算法及其初始化问题的研究 | 第21-35页 |
| ·EM 算法 | 第21-22页 |
| ·EM 算法的含义 | 第21-22页 |
| ·EM 算法的原理 | 第22页 |
| ·混合模型聚类的原理 | 第22-23页 |
| ·高斯混合模型的EM 算法的实现 | 第23-29页 |
| ·极大似然方法 | 第23页 |
| ·高斯混合模型 | 第23-25页 |
| ·聚类的EM 算法 | 第25-26页 |
| ·实验 | 第26-29页 |
| ·初始化问题的讨论 | 第29-31页 |
| ·随机初始化 | 第29-30页 |
| ·层次聚类初始化 | 第30页 |
| ·Kmeans 初始化 | 第30页 |
| ·Binning 初始化 | 第30-31页 |
| ·初始化的实验 | 第31-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 半监督的EM 算法的研究 | 第35-45页 |
| ·半监督学习的聚类 | 第35页 |
| ·双重高斯混合模型的基础知识 | 第35-38页 |
| ·贝叶斯学习理论的基本观点 | 第35-37页 |
| ·最大后验概率 | 第37-38页 |
| ·基于双重高斯混合模型的EM 学习算法 | 第38-43页 |
| ·双重高斯GMM 方法原理 | 第38-39页 |
| ·双重高斯混合模型的EM 学习算法 | 第39-40页 |
| ·半监督学习的EM 算法 | 第40-41页 |
| ·实验 | 第41-43页 |
| ·本章小结 | 第43-45页 |
| 第五章GMM 在说话人识别中的应用 | 第45-57页 |
| ·说话人识别 | 第45页 |
| ·说话人识别的特征提取技术 | 第45-50页 |
| ·信号特征提取-----MFCC | 第46页 |
| ·MFCC 参数的提取过程 | 第46-50页 |
| ·GMM 模型的训练和识别方法 | 第50-52页 |
| ·说话人识别的实验及分析 | 第52-56页 |
| ·实验用的语音库 | 第52页 |
| ·实验的基本过程和具体参数 | 第52-53页 |
| ·实验结果和分析 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 发表论文 | 第64页 |
