A Linear Surrogate-Based Algorithm for Fitting Gaussian Mixture Functions

doi:10.1109/LSP.2025.3616610

A Linear Surrogate-Based Algorithm for Fitting Gaussian Mixture Functions

2025-01-01

0

PRE

AI

DOI：10.1109/LSP.2025.3616610

原文链接

原文求助

摘要

En 中文

高斯混合函数（GMF）是科学和工程领域中广泛使用的模型，用于分析和阐明实验数据，其中GMF与含噪声观测值的拟合通常因高斯成分的线性叠加而转化为复杂的非线性回归问题。经典的牛顿型解法依赖回归目标函数的导数以促进收敛，但这些方法通用性强且可能效率低下。在本文中，我们提出了一种受主次最小化（MM）启发的新方法，以线性方式实现高效的GMF拟合。所提方法通过整合GMF中每个高斯成分的贡献来构建线性代理函数，并确保原始非线性目标函数的持续收敛。大量实验表明，所提方法在收敛速度上优于经典解法，同时保持了精确的拟合精度。

Keyword:

Gaussian mixture function

nonlinear regression

majorization-minimization

expectation-maximization

linear least squares

A Linear Surrogate-Based Algorithm for Fitting Gaussian Mixture Functions

摘要

期刊

机构

引用论文