基于改进的隐马尔可夫模型的网页预取

为提高基于隐马尔可夫模型(HMM:Hidden Markov Model)的网页预取精度,对经典隐马尔可夫模型的两个前提假设进行了扩展,推导出新模型中计算观测序列概率的公式.由此构建出可用于网页预取的高阶隐马尔可夫模型,同时为降低高阶隐马尔可夫模型的空间复杂度,给出了构建树状状态空间存储访问序列的算法.介绍了将改进的隐马尔可夫模型应用于网页预取的具体方法,通过对比实验证实该方法的预取准确度提高了7%.     

基于隐马尔可夫模型的单音及和弦钢琴指法自动标注（英文）

提出了一种基于隐马尔可夫模型的用于双手的钢琴指法标注方法.在隐马尔可夫模型中,指法的形式是隐藏状态,乐谱的音符是输出状态.方法主要包含两个步骤:确定隐马尔可夫模型的转移概率矩阵和输出概率矩阵,以及使用维特比算法寻找对应于音符序列的概率最大的指法序列.所提方法中的隐马尔可夫模型可以同时处理单音以及和弦.同时方法的有效性也通过真实的钢琴乐谱得到了验证.     

基于二阶HMM模型的恶意代码检测

普通隐马尔可夫（HMM）模型状态转移概率只与前一个时间状态相关,而恶意代码的行为有多种,因此本文提出了一种基于二阶隐马尔可夫的恶意代码检测模型。应用BW算法对系统的正常行为建模,并采用滑动窗口的方法,检测系统中是否有恶意代码的存在。通过实验结果证明二阶HMM模型的检测准确性高于普通的HMM模型,能快速有效的检测系统中恶意代码的存在。     

基于隐马尔可夫模型的Web网页预取

为了缓解网页访问延时的问题，提出了一种基于隐马尔可夫模型的网页预取方法。该方法借助隐马尔可夫模型，挖掘蕴涵在用户访问路径中的信息需求概念，以此进行预取页面的评价，最终实现基于语义的网页预取，实验结果表明，该方法具有较好的预取准确度。     

基于隐马尔可夫模型与并行模型组合的特征补偿算法

提出了一种基于隐马尔可夫模型和并行模型组合的特征补偿算法.首先,利用一个包含较多状态的隐马尔可夫模型来描述全部单词特征向量的分布.然后,根据静音段估计的噪声均值和方差,采用并行模型组合方法调整隐马尔可夫模型的均值向量和协方差矩阵,使之与识别环境相匹配.最后,根据基于状态转移矩阵压缩的前向后向算法计算隐马尔可夫模型的后验概率,并通过最小均方误差准则估计纯净语音特征向量.实验结果表明,该算法能够更加准确地估计纯净语音特征向量,其性能明显优于基于高斯混合模型的特征补偿算法;状态转移矩阵压缩算法可以在不影响补偿精度的前提下,显著减少前向后向算法的计算量.     

符号序列的预训练HMM分类方法

隐马尔可夫模型(Hidden Markov Model,HMM)是一种双重随机概率模型,已广泛应用于序列数据建模.针对符号序列分类中距离度量定义的困难,提出一种符号序列的预训练HMM分类新方法 .首先,定义一种基于HMM状态转移矩阵的序列距离新度量;其次,为得到不同序列在HMM隐状态共享条件下的状态转移矩阵,提出一种两阶段的预训练方法,先在所有序列上进行HMM预训练以学习所有序列共享的隐状态,再使用共享状态为每条序列进行训练得到各自的状态转移矩阵;最后用近邻分类器对符号序列进行基于距离的分类.在三个应用领域的真实序列上进行了实验,并与基于子序列、HMM变体模型等现有分类方法进行对比,结果表明,所提出的方法能使用较低的特征维度取得较理想的分类精度.     

用动态贝叶斯网络构建协同过滤推荐的新方法

提出了一种基于动态贝叶斯网络的隐马尔可夫协同过滤推荐的新方法。基于隐马尔可夫模型的协同过滤方法模拟用户在浏览网页时的行为,根据用户浏览网页时的行为建立最近邻集合。在基于隐马尔可夫协同过滤推荐技术的基础上,构造基于DBN的推荐模型。当有新类型的数据加入时,用此模型来更新推荐模型。实验表明,此方法具有较高的推荐质量。     

基于马尔可夫转移概率的意识障碍识别研究

意识障碍可分为最小意识状态和植物状态,目前对两类患者的区分主要基于行为量表的方法,但仍存在40%的误判率,脑电信号可以作为临床诊断的辅助工具.微状态可以反应大脑潜在认知机制的时空信息,探讨较短且具有平稳性微状态序列的低阶马尔可夫性质鲜少研究.基于18名意识障碍患者的静息态脑电信号,在具有平稳性的时间尺度上（60 s）对微状态序列进行分割,然后计算状态转换序列的一阶马尔可夫和二阶马尔可夫转移概率,得到两类意识障碍患者具有统计学差异的转移模式,并将差异模式作为特征进行交叉验证,最高得到92%的分类准确率.结果表明：意识障碍患者的统计差异模式更倾向于转向C状态和D状态,一阶马尔可夫比二阶马尔可夫具有更好的分类效果.上述结果为区分两类意识障碍患者以及医疗领域的微状态研究提供了新方法.     

语音识别中的动态时间规正和隐马尔可夫模型等价性研究

本文论证了动态时间最正和隐马尔可夫模型在一定条件下的等价性，指出在连续观测空间中，隐马尔可夫模型的状态时序列在一定条件下就是动态时间规正中的参考模板。     

二阶隐马尔科夫模型在基因识别中的应用

对经典隐马尔可夫模型( HMM) 的状态转移和输出观测值的假设条件进行改进,提出了一个基于二阶隐马尔科夫模型(second-order HMM: HMM2)的基因识别系统的模型, 论述了用该模型和扩展的Viterbi 算法发现基因的方法.     

基于关系马尔可夫模型的枚举型缺失值估计

针对数据质量中数据缺失问题,提出了基于关系马尔可夫模型(RMM)的枚举型缺失值估计方法.该方法充分考虑属性间的关联性,将动态属性选择(DAS)方法与RMM结合,最大限度地利用完整数据的信息,提高了该方法的估计能力;利用RMM计算源状态到目的状态的转移概率,采用MaxPost和ProProp 2种缺失值填充方法,对缺失值进行填充.采用公认数据集,进行了对比实验,验证了该方法的有效性和优越性.     

基于Markov过程的集束型设备预防维护策略

为了更好地保障集束型晶圆制造设备运行的可靠性,同时考虑维护的经济性,建立了基于Markov过程的预防性维护策略.根据集束型设备的特点,采用大修和小修相结合的预防性维护方式,同时考虑随机失效和退化失效两种失效形式,建立了状态转移模型.依据Markov理论求得设备各状态的稳态概率及状态转移概率.再根据Markov决策理论及策略迭代算法求得最佳维护策略.实验结果表明,所提出的预防性维护策略有效可行.     

基于马尔科夫优化的灰色GM (1,1) 沉降预测模型及应用

针对灰色GM(1,1)模型在对随机波动较大的沉降数据序列进行预测时存在的不足,本文结合灰色理论模型和马尔科夫链理论,建立了一种基于马尔科夫修正的新维GM(1,1)沉降预测模型。首先,考虑监测数据的时效性,通过在原始数据列中不断补充新的沉降监测数据,采用新陈代谢的方法建立了新维GM(1,1)模型;随后采用马尔科夫链理论对新维GM(1,1)模型进行优化,根据模型预测时产生的相对误差范围对其进行状态区间划分,并构建了相应的状态转移概率矩阵,得到了基于马尔科夫优化的新维GM(1,1)预测模型;将本文中的模型应用于福州火车站南广场深基坑周边建筑物地表沉降预测中,并对不同模型的预测效果进行对比分析,结果表明：基于马尔科夫优化的灰色GM(1,1)模型的预测精度较传统灰色GM(1,1)模型有明显提高,验证了本文所提出的优化模型在基坑沉降分析与预测中的合理性。     

基于马尔可夫链的新型威胁评估预测方法

为了减少防空作战中二次打击时基于马尔可夫链的态势预测对大量历史经验的需求问题，采用一种状态转移矩阵推导算法，只需少量的历史数据即可推导出合理的状态转移阵。针对现实中作战双方相互打击可能受到的毁伤情况及其对态势预测的影响，提出一种新型的毁伤矩阵方案。该方案以前一轮的打击结果为前提，预测下一轮打击时的威胁。最后结合相关实例进行仿真分析，并通过试验结果证明了算法的可行性和有效性。     

基于纯不连续马尔可夫过程的频谱感知研究

为解决在连续时间观测条件下认知无线电(CR: Cognitive Radio)频谱感知的问题, 提出一种在纯不连续马尔可夫过程中的频谱感知方法。信道状态在任意时刻可分为空闲和忙碌两种状态, 同时借助纯不连续马尔可夫过程在任意时刻停留的时间服从指数分布性质和富克 普朗克方程, 导出此类过程的状态转移矩阵, 主用户的累计占用时间和主用户在时间域上的分布情况。仿真结果表明, 该方法能较好地完成对信道状态进行预测和对主用户状态进行跟踪的任务。     

基于改进的隐马尔科夫模型的语音识别方法

针对隐马尔可夫（HMM）语音识别模型状态输出独立同分布等与语音实际特性不够协调的假设以及在使用段长信息时存在的缺陷,对隐马尔可夫模型进行改进,提出马尔可夫族模型。马尔可夫族模型可看作一个数学上由多个马尔可夫链构成的多重随机过程,HMM模型则是双重随机过程,因而,HMM模型可视为马尔可夫族模型的特例。马尔可夫族模型用条件独立性假设取代了HMM模型的独立性假设。相对条件独立性假设,独立性假设是过强假设,因而,基于马尔可夫族模型的语音模型更符合语音实际物理过程。在马尔可夫族语音识别模型中引入状态段长信息,能自动根据语速对语音单元段长进行调整。非特定人连续语音实验结果表明,利用状态段长信息的改进语音识别模型比经典HMM模型的性能明显提高。     

基于GPS轨迹数据的混合多步Markov位置预测

随着移动设备和定位技术的广泛应用,基于位置服务成为研究热点,位置预测是其重要研究内容.基于GPS轨迹数据,对位置预测方法进行研究.Markov模型可以较好地表示时序数据,因此可较好地用于位置建模和预测.在基于Markov建模的位置预测中,1阶Markov模型存在轨迹信息利用不充分、预测准确率低的问题;而多阶Markov模型存在状态空间急剧膨胀的问题.针对这些问题,提出了基于混合多步Markov模型的位置预测方法,在将原始GPS轨迹转化为区域轨迹的基础上,对各多步模型进行融合,提出了基于Adaboost框架的各多步模型影响系数的生成方法,在保证状态空间不变的情况下提高了预测准确性.真实数据集上的实验验证了所提位置预测方法的有效性.     

基于遗传算法自适应建立HMM的静脉识别算法

为了准确地对人的身份进行识别,利用图像中脉络延伸方向与脉络间位置的相互联系,将隐马尔科夫模型(HMM)应用于识别系统中,提出了一种基于遗传算法自适应建立HMM的静脉识别算法.图像经预处理后得到静脉的骨架信息,将细化后的静脉图像进行Radon变换,每一静脉对象可表示为一个HMM;对于已知确定的训练样本库,利用遗传算法自适应调整HMM参数,使所有测试图像的观测序列在真实匹配模型中发生的概率值远远大于其在虚假匹配模型中发生的概率值,提高了不同静脉对象的区分度.实验表明,该算法具有较高的正确识别率,并具有良好的实时性.     

基于Markov链的集束型晶圆制造设备预防性维护建模

为了有效提高集束型晶圆制造设备的运行可靠性,同时降低其维护成本,提出了基于Markov链的预防性维护建模方法.根据集束型晶圆制造设备的特点,将设备使用情形分为运行状态、预防性保养状态、保养未能回复状态、预防性维修状态和维修无法回复状态,建立了设备状态转移模型.在此基础上,建立了集束型晶圆制造设备的预防性维护成本模型,进行了仿真实验分析.结果表明,该模型可有效分析不同参数组合下的单位时间预防性维护期望成本.     

基于离散Markov决策过程的发电公司多阶段决策

采用离散时间Markov决策过程(DTMDP)对以多阶段总利润最优为目标的发电公司决策问题进行研究．市场环境下，发电公司根据自身条件，其竞争策略可以是价格的接受者，也可以是价格的制定者．考虑了发电公司不同策略情况下市场均衡状态间的转换概率，分别给出了发电公司作为价格接受者和价格制定者时的多阶段决策模型．通过算例验证了所提模型的有效性和可行性．