22、MLANS：用于分组和识别的最大似然自适应神经系统

MLANS：用于分组和识别的最大似然自适应神经系统

1. MLANS概述

MLANS是一种基于贝叶斯相似度或似然性实现MFT的神经网络。它的统计模型旨在通过均值描述对象或信号源的确定性属性，用概率分布函数（pdf）表征统计属性。一个对象类可能包含多种对象类型，类的pdf是对象类型pdf的加权和，这种模型在统计学中被称为混合模型，例如高斯混合模型。除了高斯混合，还考虑了适用于雷达图像的Wishart和Rician混合模型。

MLANS在分组、聚类和分类等方面有广泛应用，同时涉及监督、无监督和部分监督学习等多种学习方式，还考虑了自动学习结构和复杂性、收敛特性以及各种性能敏感性等问题。

2. 分组、分类与模型

分类和识别是指找到具有先验指定属性的数据类，而分组或聚类则是发现数据中的自然规律。在MLANS中，相似度度量被定义为似然性，它在数学上等同于度量空间中的距离度量，且具有适应性并受似然模型结构的约束。

统计模型具有灵活性、适应性和鲁棒性等特点。灵活性体现在可以对任何形状的pdf进行建模；适应性通过修改自适应模型参数实现，高效的适应性可通过合理选择基pdf集来达成；鲁棒性则通过在分层结构中融合所有可用信息来实现。

pdf模型使用多个基函数的叠加，在统计文献中被称为混合模型，这些基函数也称为混合成分。选择合适的函数形式和合理数量的混合成分对于利用先验信息和提高参数化效率至关重要。

3. 高斯混合模型：无监督学习或分组

3.1 架构和参数

基于高斯混合模型的MLANS架构包括参数估计子系统和数据关联子系统。输入为所有可用数据，在无监督学习中为观测向量。观测向