判别分析引导的多重分割用于时间序列数据的期望最大化初始化

《Scientific Reports》：Discriminant analysis-guided multi-split segmentation for expectation maximization initialization in time-series data

　　本文提出了一种称为“K类间分割”（K-BCS）的判别分析引导的多分裂分割方法，该方法被开发为期望最大化（EM）算法在时间序列数据中的有效初始化策略。所提出的方法旨在改善EM算法中的参数估计和收敛稳定性。尽管EM算法在混合模型中应用广泛，但其性能对其初始化估计高度敏感，这往往导致收敛缓慢、收敛到次优局部最大值以及似然行为不稳定。为解决这些局限性，K-BCS-EM利用了所提出的类间度量来识别内在数据结构并生成明智的初始参数估计。与随机或基于质心的方法不同，所提出的方法完全数据驱动，并能捕捉位置和分散度上的分离，从而为EM算法提供更可靠的起点。所提出的方法通过广泛的蒙特卡洛实验在合成和现实数据集上进行了评估。获得的结果表明，K-BCS-EM方法始终优于常规初始化策略，如随机采样、随机分区、抖动采样和基于k-means的方法，特别是在似然收敛、均值和方差RMSE性能方面。K-BCS-EM在具有挑战性的场景（如重尾分布和高度重叠混合）中表现出强大的鲁棒性，同时随着组件数量的增加保持了可扩展性。尽管所提出的方法由于预处理阶段而引入了适度的计算开销，但在估计精度、收敛稳定性和鲁棒性方面的显著改进突显了K-BCS-EM作为时间序列数据中基于EM的混合模型的有效初始化方法。