论文部分内容阅读
隐马尔可夫模型(Hiddell Markov Model)是一种双随机过程，被广泛地应用于模式识别和聚类中并取得了不小的成功。HMM有坚实的统计学基础和有效的学习算法，从而在应用科学中成为一种基础及易于理解的工具。
在实际应用中，对HMM的训练是一个十分重要的问题，特别是在面对非完整数据的情况下。训练的优劣关系到最后聚类效果的好坏。
对HMM的训练就是不断地调整HMM的参数，在已知的观测值序列下，得到最大的似然度。而由于该问题的复杂性，现在还没有高效的，全面的，能得到全局最优化的程序。
在训练过程中，用得最多的是Baum-Welch算法。这是一种处理不完全数据的算法。我们关注的就是如何改进该算法，以此来提高聚类的效果。主要研究工作如下：
1．提出了一种基于频率敏感和HMM的聚类算法。它能有效得避免出现空类或类中数据过少的现象。实验结果证明了该算法的有效性。
2．将自劈分合并竞争学习运用于HMM，提出了一种新的算法。该算法在自劈分过程中，利用熵使每一类中尽可能多的含有同类数据；然后在合并过程中，将含有同类数据的类进行合并，从而提高聚类的效果。