[发明专利]一种修正式模式识别及统计建模的高斯混合模型方法

说明书

本发明公开了一种修正式模式识别及统计建模的高斯混合模型方法，涉及模式识别及统计建模技术领域，首先，采集目标特征数据并基于特征数据集的第一个数据点创建第一个特征高斯成分，其次，依据特征数据点先后顺序计算数据点与当前各特征高斯成分间的马氏距离平方，以马氏距离为准则对现有特征高斯成分进行创建或迭代更新；最后，基于自适应阈值曲线结合马氏距离阈值去除虚假特征高斯成分以获得目标函数；本发明所述的一种修正式模式识别及统计建模的高斯混合模型方法，提出一种基于创新型自适应阈值算法以删除虚假特征高斯成分，进而对增量高斯混合模型再次修正，实现对目标特征的模式识别及统计建模。

技术领域

本发明涉及模式识别及统计建模技术领域，特别涉及一种修正式模式识别及统计建模的高斯混合模型方法。

背景技术

增量高斯混合模型(Incremental Gaussian Mixture Model,简称IGMM)是一种广泛应用于数据挖掘、统计分析和机器学习等领域的非监督式方法，其方法是使用一种近似于期望最大(Expectation Maximization，简称EM)的方法进行训练，其变量分布可分解为若干个高斯分布的统计模型。IGMM的增量特征体现在其高斯成分可跟随新引入的特征数据点而不断获得更新，这意味着IGMM 能够挖掘出与特征数据点相匹配的数据模型。因此，IGMM已经成功地应用在时间序列预测、强化学习、移动机器人控制与映射以及数据流中的离群点检测等领域。

然而，IGMM在协方差矩阵求逆和行列式计算时存在立方阶时间复杂度的问题，这使得该算法不利于高维分析，进而限制了其应用范围。鉴于此，现有技术中的研究者提出一种快速增量高斯混合模型算法，该算法的优点体现在：缩减了时间复杂程度——进而提高了计算机的运算速度；有利于高维计算——因此扩展其应用范畴。但是，该方法在去除虚假高斯成分时不符合统计规律，且在协方差矩阵迭代计算和快速算法方面较为繁琐。

针对此种现象，本申请提供了一种修正式模式识别及统计建模的高斯混合模型方法，提出一种基于创新型自适应阈值算法以删除虚假高斯成分，进而对增量高斯混合模型再次修正，节省了大量的运算成本，提高计算机的运算速度。

发明内容

本发明的目的在于提供一种修正式模式识别及统计建模的高斯混合模型方法，提出一种基于创新型自适应阈值算法以删除虚假高斯成分，进而对增量高斯混合模型再次修正，便于区别分类不同的心音。

本发明提供了一种修正式模式识别及统计建模的高斯混合模型方法，包括以下步骤：

步骤一：采集目标特征数据，通过对目标特征数据处理后建立特征数据集，基于特征数据集的第一个特征数据点创建第一个特征高斯成分；

步骤二：以特征数据点出现的先后顺序，逐个计算其与现有特征高斯成分间的马氏距离平方，以马氏距离为准则对现有特征高斯成分进行创建或迭代更新，其具体准则为：若其马氏距离平方大于马氏距离阈值，则根据该特征数据点创建新的特征高斯成分；若其马氏距离平方小于马氏距离阈值，则保持原有成分数量不变，并依据此特征数据点对原有特征高斯成分参数进行更新。当所有特征数据点输入完成后，即可得到初步的高斯混合模型，确定最初所得目标函数，实现对提取目标特征的模式识别及统计建模；

步骤三：基于马氏距离去除原有的特征高斯成分,基于自适应阈值曲线结合马氏距离阈值去除虚假特征高斯成分以获得最终目标函数，实现对目标特征的高精度分类。

进一步地，采集到的目标特征数据，通过处理后建立D维的特征数据集 X＝{X₁,X₂,……X_N}，基于特征数据流的第一个特征数据点X₁创建第一个特征高斯成分，具体参数如式(1)所示：