matlab 原创程序 EM算法的对数正态参数估计 可以用于数学建模竞赛

哈工大研究生课程讲义高斯分布参数的极大似然估计，EM算法高斯混合模型算法的迭代公式推导 我们首先来推导般混合密度模型参数估计的算法达代公式,然后再将般的混合 密度模型具体化为髙斯混合模型。 混合密度模型 假设样本集={x1,…,x}中的样本相互独立,并且按照如下的过程产生: 样木是依据桃率由个分布中的一个产生的,分布的概率密度数为(x0), 1,,,0为分布的参数 由第个分布产生样本的先验概率为a 先验概率a=(a1…,a),以及分布的参数日,…,0均未知。 我们称样本集来自于一个混合密度模型,

研究了使用单纯形直接搜索算法对广义不对称拉普拉斯（GAL）分布（也称为方差伽马）的最大似然（ML）估计。 在本文中，我们使用数值直接搜索技术来最大化对数似然率以获得ML估计量，而不是使用传统的EM算法。 GAL的密度函数仅是连续的，相对于参数而言是不可微分的，并且Bessel函数在密度中的出现使得难以获得整个GAL系列的渐近协方差矩阵。 利用M估计理论，研究了ML估计量的性质。 ML估计量对于GAL系列是一致的，并且仅对于非对称Laplace（AL）系列可以保证其渐近正态性。 获得了AL族的渐近

为了更准确地拟合图像的目标与背景的灰度级分布并分割出图像的目标部分,采用基于参数的阈值估计方法,提出了基于对数正态分布的粒子群EM混合算法,设计了对数正态分布参数的粒子群算法、EM算法和粒子群EM混合算法,给出了对数正态分布参数的计算过程。研究结果表明:对数正态混合分布能够很好地拟合一类图像的目标与背景的灰度级分布,粒子群EM混合算法具有较好的收敛性。该研究成果有助于解决一类图像的目标与背景的分割问题。