模糊 K 均值聚类算法
假设特征矢量集,X={x1,x2,...,xT},T 是语音帧数,每个矢量 xj 都是 p 维的,代表的是第 j 帧的特征参数。模糊 k-means 聚类算法的核心思想在于最小化式(下式)所示的目标函数:
其中,µij 表示矢量 xj 被分到第 i 类的概率,µ=[µij]是一个 K×T 的矩阵,满足下面的一些 性质:
同时,m(m≥2)是控制模糊度的一个加权指数,dij2 表示的是 xj 与 ci 之间的距离,定义式 如下所示:
其中,ci 指的是第 i 个聚类中心,Fi 表示的是第 i 个聚类的模糊协方差矩阵,通过令 Jm 相对 µ和 c 的梯度为 0 求得,如下式:
只有在满足下面两式的情况下,才能求得目标函数(即本文第一个公式)的最小化。
上面两个式子的求解过程如下:
(1) 设定聚类数目 K,加权指数 m(m≥2),终止条件 ε(ε>0)以及迭代次数 l。
(2) 初始化隶属度矩阵 µ(0)。
(3) 计算聚类中心 ci (l)。
(4) 更隶属度矩阵 µij (l),直到满足||µ (l) -µ (l-1)||<ε 或是达到最大迭代次数。
本文中的最终特征矢量的分类就是用到了最大隶属度值,也就是说,对于任意的一个特 征矢量 xj(j=1,2,....,T),如果 µij=max{µ1j,µ2j,...,µKj}成立,那么 xj 就属于第 i 类。
本文中总的高斯混合分量 M 是 64 个,每一类里高斯混合分量的个数 Mi 是由该类中训练 特征矢量的帧数 Ti 占总的训练特征矢量帧数 Tall 的比例来决定的,
其中,
n 是聚类数。
给定 I 和 Ii 分别表示总的训练迭代次数和每个聚类的训练迭代次数。因此,GMM 模型参 数的估计所需的计算时间 P 如下式所示:
聚类之后,上式可表示为
假定每个聚类中的高斯混合分量个数是相同的,则
将上面两个公式带入式(聚类之后下面的公式)可得:
由该式可知,随着聚类的每一类中的训练矢量的减少,以及每一类的训练矢量主要集中 在聚类中心周围,训练速度可以得到一定程度的提高。
上图显示的基于不同聚类中心的模糊 K-means 聚类的频谱失真,聚类中心数目分别是 10,20,30 和 40,从图中可以很明显的看出,随着聚类中心数目的增加,频谱失真也随之变 大,因此,本文采用的聚类中心数目为 10 个。
可以关注音频核公众号了解更多哦
模糊 K 均值聚类算法相关推荐
- 【模式识别】K均值聚类算法应用实验报告及MATLAB仿真
一. 实验目的 1.掌握K均值聚类算法的原理和实现过程: 2.掌握K均值聚类算法的应用方法. 二. 实验内容 1.彩色图像分割 选择一幅图像,分别按三种颜色数进行彩色图像分割的结果(原图和分割图).步 ...
- k均值聚类算法优缺点_Grasshopper实现K均值聚类算法
本文很长很长,有很多很多图,包含以下部分: 1.算法简介 2.如何分类平面点 3.如何分类空间点 4.如何分类多维数据 5.后记 提醒:以下内容包括:智障操作,无中生友,重复造轮子 等 1.算法简介 ...
- K-Means(K均值聚类算法)
K-Means(K均值聚类算法) 1.前言 要学习聚类算法就要知道聚类学习算法是什么,为什么要学习聚类学习聚类学习算法,有什么用途,下面就简单的做一下介绍,并且详细的说明k-means均值聚类学习算法 ...
- K均值聚类算法(HCM,K-Means)
K均值聚类核心思想如下: 算法把n个向量分为个组,并求每组的聚类中心,使得非相似性(或距离)指标的价值函数(或目标函数)达到最小.当选择欧几里德距离为组j中向量与相应聚类中心间的非相似性指标时,价值函 ...
- K均值聚类算法(Kmeans)讲解及源码实现
K均值聚类算法(Kmeans)讲解及源码实现 算法核心 K均值聚类的核心目标是将给定的数据集划分成K个簇,并给出每个数据对应的簇中心点.算法的具体步骤描述如下. 数据预处理,如归一化.离群点处理等. ...
- k均值聚类算法python_K均值和其他聚类算法:Python快速入门
k均值聚类算法python This post was originally published here 这篇文章最初发表在这里 Clustering is the grouping of obje ...
- python(scikit-learn)实现k均值聚类算法
k均值聚类算法原理详解 示例为链接中的例题 直接调用python机器学习的库scikit-learn中k均值算法的相关方法 from sklearn.cluster import KMeans imp ...
- 机器学习之无监督学习-K均值聚类算法
机器学习之无监督学习-K均值聚类算法 对于无监督学习,有两类重要的应用,一个是聚类,一个是降维.我们今天主要学习聚类中的K均值聚类. 我们先看看下图,图a为原始的数据点,我们想要对图a的数据点进行分类 ...
- Thinking in SQL系列之五:数据挖掘K均值聚类算法与城市分级
原创: 牛超 2017-02-21 Mail:10867910@qq.com 引言:前一篇文章开始不再介绍简单算法,而是转到数据挖掘之旅.感谢CSDN将我前一篇机器学习C4.5决策树算法的博文 ...
- 机器学习实战-61:K均值聚类算法(K-Means)
K均值聚类算法(K-Means) 深度学习原理与实践(开源图书)-总目录,建议收藏,告别碎片阅读! 机器学习分为监督学习.无监督学习和半监督学习(强化学习).无监督学习最常应用的场景是聚类(clust ...
最新文章
- mysql占用资源最小的语句_MySQL一个语句查出各种整形占用字节数及最大最小值的实例...
- 智源青年科学家梁云:异构系统中张量计算的自动调度和优化框架
- 高效管理 Elasticsearch 中基于时间的索引——本质是在利用滚动模式做数据的冷热分离,热索引可以用ssd...
- apache.camel_Apache Camel 2.20发布–新增功能
- Linux 系统检测工具
- 软件的接口设计图_基于GJB 5000A的软件配置管理研究与系统实现
- 如何优雅的起个变量名?
- 计算机ppt板块正文文本动画在哪,《计算机应用基础》统考辅导第章PowerPoint电子演示文稿.ppt...
- 苹果手机上网速度慢_科普|手机信号明明满格却上不去网?4招帮你搞定它!
- 【2022最新罗技G502吃鸡宏】
- netty官方例子 三 http snoop监听
- 论文的研究背景如何着笔
- WRF学习笔记二:WRF-chem简单入门运行指南
- Samsung/三星I9128 Galaxy Grand root教程_方法
- 微擎we7模块和模板安装方法
- Vue3使用element-plus1.3.0版本的el-menu菜单组件引入动态渲染icon图标时,图标组件刚好是Menu时报错,菜单不显示的解决方法
- Ubuntu-18.04版本网络配置,连接网络的方法
- 企业上云很简单,细数华为云弹性云服务器ECS的多项优势
- activiti-explorer stencilset.json 国际化文件
- flask项目详情页后端,前端逻辑梳理