蔡·T·托尼；马静；张林军 CHIME：使用EM算法对高维高斯混合数据进行聚类及其最优性。 （英语） 兹比尔1428.62182 Ann.统计。 47，第3期，1234-1267（2019）. 高维高斯混合信号的聚类和判别分析是本文的重点。提出了一种基于EM算法和判别向量直接估计方法的CHIME算法。例如，遗传数据中出现了高维聚类问题。在充分选择迭代次数后，CHIME为参数提供了良好的估计。判别向量估计和过多的误聚类误差达到了最小最大的最优收敛速度。CHIME算法需要两个条件才能正常工作。首先，它需要初始化值，使混合物中的参数与其真实值相差不远。作者指出使用Hardt-Price算法以获得满意的初始化。其次，判别向量必须是稀疏的。其次，将该算法用于处理低维高斯混合聚类问题。结果表明，保持了最优性质。值得注意的是，CHIME给出的高斯混合模型参数估计量与已知样本标签的模型中获得的最大似然估计量具有相同的收敛速度。本文首先考虑两类高斯混合。随后，将结果推广到多类高斯混合。介绍并讨论了模拟研究以及在成纤维细胞瘤基因表达数据中的应用。审核人：Nelson I.Tanaka（圣保罗） 引用于15文件 MSC公司： 62H30型 分类和区分；聚类分析（统计方面） 62C20个 统计决策理论中的Minimax过程 62华氏35 多元分析中的图像分析 第62页第10页 统计学在生物学和医学中的应用；元分析 关键词：高维数据；无监督学习；高斯混合模型；EM算法；聚集错误；极小极大最优性 软件：CHIME公司 PDF格式BibTeX公司 XML格式引用 \textit{T.T.Cai}等人，Ann.Stat.47，No.3，1234--1267（2019；Zbl 1428.62182） 全文： 内政部 欧几里得