基于MCMC的廣義Gamma混合模型的參數(shù)估計及其應(yīng)用.pdf

1、近年來貝葉斯方法在圖像和信號處理方面獲得了廣泛的應(yīng)用，統(tǒng)計信號和圖像處理中一個日益重要的話題就是非高斯信號特征和數(shù)據(jù)的建模。有限混合模型提供了一個強(qiáng)大、靈活以及原則性的統(tǒng)計方法，在許多復(fù)雜數(shù)據(jù)模型中得到了廣泛的應(yīng)用。有限混合模型中兩個重要的問題分別是如何選擇混合分量密度函數(shù)和參數(shù)估計方法。本文采用描述能力強(qiáng)的廣義Gamma分布(Generalized Gamma Distribution)作為混合模型的混合分量，并運(yùn)用靈活性較強(qiáng)的MCM

2、C(Markov chain Monte Carlo)算法對其進(jìn)行參數(shù)估計，進(jìn)而應(yīng)用至SAR(Synthetic Aperture Radar)圖像的模型建立。
　　首先，本文對有限混合模型的研究背景和意義做了簡要的闡述，并介紹了有限混合模型及混合模型中常用參數(shù)估計方法-極大似然法和貝葉斯分析法。
　　然后，詳細(xì)介紹了MCMC算法，在混合分量個數(shù)已知的情況下，給出了基于MCMC算法的高斯混合模型參數(shù)估計的理論推導(dǎo)和相關(guān)仿真。

3、
　　再后，在混合分量個數(shù)未知的情況下，研究了基于MCMC算法的廣義Gamma混合模型的參數(shù)估計。由于需要估計參數(shù)的滿條件分布并不是某個確定函數(shù)的分布形式，本文采用隨機(jī)游動的M-H(Metropolis-Hastings)算法對參數(shù)進(jìn)行抽樣，并選擇了一種自適應(yīng)的算法來尋找合適的建議分布方差。通過人工擬合數(shù)據(jù)和實(shí)際SAR圖像數(shù)據(jù)仿真驗(yàn)證了MCMC算法對廣義Gamma混合模型參數(shù)估計的可行性及有效性。
　　最后，為了克服MCMC