基于EM算法的Gaussian混合模型用于图像分类
(0) 学习即指根据给定的数据(学习样本)得到图模型的结构DAG和概率分布CPD.从Bayes的观点来看,网络模型的选择可以看成是定义非线性函数的先验概率分布,网络的学习过程可解释为求解未知函数的后验概率分布.Nearl(1996)提出可将包含于Bayes中的非线性先验概率分布都归入Gaussian模型的概率分布中.这样,网络的参数计算就可用Gaussian模型的协方差矩阵的简单矩阵运算代替,因此本文选择网络模型为Gaussian混合模型,用EM算法训练网络,将网络用于图像分类并取得很好的效果.
Gaussian混合模型 EM算法 学习 Bayes网络 图像分类
李海燕 李天牧
云南大学信息与电子科学系(昆明)
国内会议
上海
中文
122-125
2000-07-01（万方平台首次上网日期，不代表论文的发表时间）