基于高斯混合模型的轨迹模仿学习表征参数优化
针对高斯混合模型(Gaussian mixture model,GMM)参数选取效率较低的问题,提出了一种在基于GMM的轨迹模仿学习表征中综合求解GMM参数估计的方法.该方法基于多中心聚类算法中的最大最小距离算法改进k-means算法,得到最优初始聚类中心,并基于贝叶斯信息准则(Bayesian information criterion,BIC)通过遗传算法优化求解,同时获取GMM的4个重要参数.该方法通过提高划分初始数据集的效率,在优化初始聚类中心基础上确定混合模型个数,有效地避免了因为初值敏感而导致的局部极值问题.通过多组仿真实验验证了该方法的有效性.
高斯混合模型(GMM)、遗传算法、模仿学习、贝叶斯信息准则(BIC)、最大最小距离算法
43
TP242.6(自动化技术及设备)
国家自然科学基金资助项目61375086;高等学校博士学科点专项科研基金资助项目20101103110007;北京市自然科学基金资助项目/北京市教育委员会科技计划重点资助项目KZ201610005010
2017-06-13（万方平台首次上网日期，不代表论文的发表时间）
共10页
719-728
