n阶隐马尔可夫模型的参数估计

给出了n阶隐马尔可夫模型( HMMn)的定义及结构.在传统的隐马尔可夫模型及二阶隐马尔可夫模型( HMM2)的基础上研究了HMMn的前向、后向算法,Baum-Welch算法,并导出了HMMn在单观测序列和多观测序列培训两种情况下的参数估计公式.     

基于隐马尔可夫模型和遗传算法的地图匹配算法

综合采用隐马尔可夫模型(HMM)和遗传算法,提出了一种新的地图匹配算法.首先初始化HMM概率矩阵,然后使用前向后向算法进行参数学习,用Viterbi算法预测一组路段序列,最后将路段序列作为种群,通过遗传算法得到最优的路段序列.采用北京市2012年出租车GPS定位数据分别对传统的基于隐马尔可夫模型的算法和新算法进行测试,实验结果表明,传统的基于隐马尔可夫模型的算法的匹配精确度低于90%,新算法的匹配精确度高达90%以上.     

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DNA序列识别

利用隐马尔可夫模型训练中不同结构的DNA序列的L值分布范围不同的特点,对传统多类投票模型进行改进,提出一种优于传统算法的快速训练算法,该算法只需训练出一类隐马尔可夫模型参数.对DNA内含子和外显子序列进行识别,平均识别率达到了90.8%.与支持向量机相比,隐马尔可夫模型在解决多分类问题方面具有优势,不但计算时间少,而且识别率高.     

基于隐马尔可夫链和支持向量机人脸识别混合模型的视频节目聚类标注

人脸在视频节目中代表了重要语义信息 ,提出使用支持向量机和隐马尔可夫链混合模型对人脸进行识别 ,然后把识别结果进行高斯聚类 ,实现视频节目的内容标注 .具体步骤如下 :首先建立人脸肤色模型 ,对视频图像中可能的人脸区域进行定位 ;从定位区域提取人脸各个器官的独立基特征 ,然后使用支持向量机和隐马尔可夫链混合模型对定位区域进行人脸识别 ,最后由高斯聚类完成视频节目的语义标注     

一种融合分层信息熵的MRF视频运动前景分割算法

针对视频图像中相邻像素的相关性对前景分割的影响问题,提出了一种以熵图像为纽带的分层马尔可夫随机场(MRF)视频运动前景分割算法.通过图像像素层和信息层构建自适应像素模型和动态光滑模型,增强了视频图像中邻域像素的空间一致性和时间连续性.然后在马尔可夫模型的框架下,采用多环置信度传播算法求解最大后验概率估计,提高视频运动前景分割的质量.实验结果表明该方法能够在不同的视频图像序列条件下完成对运动前景的有效分割.     

基于深度学习的ATM机非法改装行为自动识别

为利用实时视频监控自动识别非法改装ATM的行为,设计了密集连接的三维卷积深度神经网络,将视频画面的特定区域作为网络输入.拍摄模拟非法改装行为的视频扩充样本库,并结合已有的正常行为视频和少数异常行为视频,用样本对网络进行深度学习训练.测试结果表明,训练后的神经网络可以快速准确识别非法改装ATM机的行为,即使不同ATM摄像头有拍摄角度、分辨率的差异,简单设置输入区域位置仍可采用训练好的深度网络得到准确的识别结果.     

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。     

基于隐马尔可夫模型的程序行为异常检测

针对入侵检测中普遍存在误报与漏报过高的问题，提出了一种基于隐马尔可夫模型的程序行为异常检测新方法．该方法以程序正常执行过程中产生的系统调用序列为研究对象，建立计算机的正常程序行为模型．在入侵检测时，先对测试的系统调用数据用滑动窗口划分得到短序列，再根据正常程序行为的隐马尔可夫模型求得每个测试短序列的输出概率，如果系统调用短序列的输出概率低于给定阈值，则将该短序列标定为“不匹配”，如果测试数据中不匹配的短序列数占总短序列数的百分比超过另一给定阈值，该模型就认为此程序行为异常．实验结果表明，与Forrest和Lee的方法相比，所提方法的检测率的最大提高率可达590％．     

基于隐马尔可夫模型的多重序列分析

隐马尔可夫模型是最近几年在许多机器学习领域都得到成功应用的关于序列分析的重要统计模型,特别是在蛋白质家族的识别方面.这主要是由于生物数据的急剧增长导致2个领域(计算科学和生物学)走向结合引起的.探讨了多重序列比对和序列谱隐马尔可夫模型,讨论了隐马尔可夫模型的基本算法以及如何建立HMMs.根据E值和训练分数进行蛋白质家族的识别和分类.