基于聚簇隐马尔可夫模型的文本信息抽取

应用隐马尔可夫模型是文本信息抽取的一种重要方法。对于网上不同来源的文本,由于其格式很不相同,进行混合训练,一般难以得到较优化的模型。将聚簇应用到文本信息抽取中,首先通过一种改进的k-平均方法对训练文本的Markov链模型进行聚簇,然后训练各簇的隐马尔可夫模型,提出了一种基于聚簇隐马尔可夫模型的文本信息抽取算法(C-HMM)。对700篇网上不同来源的文本进行信息抽取仿真实验,结果表明,新的算法能有效地提高抽取性能。     

基于规则和统计抽取模型中的主动学习算法

提出了一种文本信息抽取的主动学习算法,在只有部分标记训练文本的情况下,通过主动学习的方法将最有价值的训练文本挑选出来进行标记,该算法能应用到基于包装器模型和基于隐马尔可夫模型的文本信息抽取中,在不影响抽取性能的前提下,能有效降低模型训练过程对已标记训练文本的依赖程度,很大程度减少人工标记训练文本的工作量。     

基于Choquet积分的HMM商品信息抽取方法

电子商务网站使用不同的网页编码技术和页面布局为比较购物信息获取带来了很大的难度.基于隐马尔可夫模型(HMM)的信息抽取模型有着易于建立、适应性强等优点,被视为一种有效的信息抽取方法.但是这种算法存在状态序列计算复杂、难以训练优化抽取模型等缺点.本文应用模糊积分单调性建立基于Choquet积分的隐马尔可夫模型(CI-HMM),解决HMM观察序列概率计算所需的条件独立性假设,优化HMM观察序列的计算.本文以网上书店商品数据进行实证,实验证明CI-HMM比HMM有更好适用性和精确度.     

基于混合因子分析隐马尔科夫模型的训练算法

将混合因子分析方法与隐马尔可夫模型技术相结合,构造了一种新的统计声学模型-基于混合因子分析的隐马尔可夫模型 (Hidden Markov Model based on Mixture of Factor Analysis:HMM-MFA).重点研究了HMM-MFA的训练算法.通过推广著名的 Baum辅助函数,并用拉格朗日多乘子方法,导出了HMM-MFA的参数重估公式.仿真结果表明,提出的算法在识别精度上优于传统的EM算法.     

基于SAEM-HMM的设备状态诊断模型研究

针对设备状态诊断问题,提出了基于模拟退火和期望最大化算法的隐马尔可夫模型(SAEMHMM).该模型针对改进传统隐马尔可夫模型对初值敏感及期望最大化算法容易陷入局部最优的不足,将模拟退火算法与期望最大化算法结合,利用前者具有概率的全局收敛性,克服局部最优问题,实现隐马尔可夫模型参数估计过程的优化.最后通过算例分析验证了该模型的可行性与有效性.     

基于隐马尔可夫模型的动态规划检测前跟踪算法

传统的动态规划检测前跟踪(dynamic programming track-before-detect, DP-TBD)算法能有效实现对匀速直线运动目标的检测跟踪,但其忽略了目标帧间状态转移概率,因此在对机动目标进行检测跟踪时容易受噪声干扰,产生错误的状态关联。对此提出了一种基于隐马尔可夫模型的DP-TBD算法。该算法利用隐马尔可夫模型对目标的运动过程建模,用一系列隐状态表示目标转弯速率并利用隐马尔可夫模型的隐状态估计理论实现对转弯速率的估计和预测,进而得到当前目标状态的预测值,根据此预测状态与下一时刻回波数据分辨单元间的距离来计算转移概率。然后将转移概率应用于DP-TBD算法的能量积累过程中以提高检测跟踪性能。仿真实验基于机动目标,给出了所提算法的检测跟踪性能,并与传统的DP-TBD算法、方向加权DP-TBD算法以及线性最小二乘DP-TBD算法进行了分析比较,验证了该算法的有效性。     

认知无线电网络中授权用户参数估计

针对认知用户在频谱切换过程中无法实时地获取授权用户到达率与服务率的问题,提出了基于隐式马尔可夫模型的参数估计算法。首先利用排队论对授权用户队列进行建模与分析,推导出授权用户队列状态转移概率;其次利用能量感知算法检测授权用户队列真实状态,获得可观测序列值;然后利用隐式马尔可夫模型描述两种随机过程,即授权用户队列状态变化随机过程和可观测序列随机过程;最后利用forward-backward算法估计隐式马尔可夫模型,从而获得授权用户到达率与服务率。仿真结果表明,该方法能够实现实时的、较为精确的估计,从而实时地为认知用户选择频谱切换策略提供依据。     

基于基因算法的隐马尔可夫模型参数估计

隐马尔可夫模型 (hiddenMarkovmodel)是一种统计模型 ,被广泛地应用于信号处理和模式识别中。隐马尔可夫模型是一种双随机过程 ,在实际应用中 ,对隐马尔可夫模型的训练 (参数估计 )是一个非常重要的问题 ,训练方法的优劣将对整个应用效果产生重要的影响。传统的模型训练方法存在容易陷入局部最优以及对训练样本依赖性较大等弱点。为了进一步提高模型训练的有效性 ,提出了一种基于基因算法的模型训练方法 ,与已有的方法相比 ,解决了对初始值敏感的问题 ,并且具有更高的稳定性和准确性 ,因此是一种很有实用价值的新方法。     

基于人体静态和动态特征融合的步态识别

提出了一种简单有效的自动步态识别算法.对于每个序列用背景减除方法检测行人的运动轮廓,算法利用步态轮廓图像下肢左右边界的距离矢量对步态轮廓图像进行描述,采用步态图像两脚的宽度进行准周期性分析.利用连续隐马尔可夫模型并融合步态的静态外观信息模型进行步态时变数据匹配识别.算法在Little和Boyd,NLPR和CMU数据库上进行实验均取得了较高的正确识别率.     

基于HMM的低空目标航迹威胁识别

稳健的低空目标威胁识别是低空域安全防护的重要任务。传统的多属性决策方法对目标运动参数的量测精度要求较高，忽略了目标运动的时序关联信息，在实际应用中缺乏噪声稳健性和动态分析能力。因此，在多属性决策方法的基础上引入了隐马尔可夫模型，提出了一种动态稳健的低空目标威胁等级识别方法。通过建立隐状态与威胁等级、威胁数值之间的内在联系，将威胁识别问题转化为隐马尔可夫模型的状态解码问题。相比于常规算法，所提方法能够有效地抑制量测噪声干扰并具有一定的威胁预测能力。仿真实验验证了所提方法的有效性和稳健性。     

一种基于概率模型的分词系统

汉语自动分词是中文信息处理中的基础课题。本文首先对汉语分词的基本概念与应用，以及汉语分词的基本方法进行了概述。接着引出一种根据词的出现概率、基于极大似然原则构建的汉语自动分词的零阶马尔可夫模型，并重点剖析了EM（Expectation-Maximization）算法，最后给出了一个基于本模型的汉语文本处理仿真系统。     

基于HMM和小波网络模型的抗噪语音识别方法

提出一种隐马尔可夫模型(HMM)和小波神经网络(WNN)混合模型的抗噪语音识别方法。该方法首先利用HMM对语音信号进行时序建模，并计算出待识语音对HMM的输出概率评分，再将此概率评分作为小波神经网络的输入，获取分类识别信息，最后根据混合模型的识别算法作出识别决策。实验结果表明，在噪声环境下，由于HMM的强时序建模能力和小波神经网络的强模式分类能力，该混合模型比单纯HMM具有更强的噪声鲁棒性，明显改善了语音识别系统的性能。     

基于多层次MRF的多分辨率图像融合算法

图像数据融合的目的是恢复出分布在不同图像中的有用信息。在多层次MRF模型的基础上提出了一种多分辨率图像融合算法。该算法将定义在多层次图结构上的非线性因果Markov模型与贝叶斯SMAP(sequenti almaximumaposteriori)准则结合起来 ,弥补了MAP(maximumaposteriori)准则在多层次图结构上计算不合理的缺陷。实验部分中 ,对两种算法用于被高斯白噪声污染的合成图像的恢复结果进行了比较 ,并将该算法用于实际的多分辨率航空图像。实验结果表明了该算法的优越性。     

基于分类和关键词组抽取的信息检索算法

本文提出一种基于分类和关键词组抽取的信息检索算法。该算法利用文本分类和信息抽取技术辅助检索，避免了向量空间模型算法中时间复杂度过大，查准率不高的缺点。针对传统的信息检索性能指标无法有效地衡量检索结果的排序状况，本文还引入了排序误差率概念用于评价检索结果的排序。实验结果表明，所提算法与TFIDF算法、基于分类的交互式检索算法相比，具有更快的查询速度，更高的查准率和更小的排序误差率。     

基于多尺度贝叶斯网络的SAR图像分割

提出了一种多尺度贝叶斯网络模型和相应推断算法,并将其应用于合成孔径雷达（synthetic aperture radar, SAR）图像分割。首先根据SAR图像的多尺度序列构建多尺度贝叶斯网络模型;然后设计了模型估计的置信传播（belief propagation, BP）算法,该算法包括同尺度结点之间的信息传播、细尺度到粗尺度的信息传播和粗尺度到细尺度的信息传播;最后计算出细尺度隐含结点的最大后验概率（maximum a posteriori probability, MAP）,实现SAR图像的分割。实验结果表明,与单尺度贝叶斯网络模型方法和基于条件迭代模式的Markov随机场模型方法相比,基于多尺度贝叶斯网络的SAR图像分割方法具有较好的分割效果。     

基于GA-AHMM的联机手绘图形识别技术

提出了一种遗传算法(geneticalgorithm,GA)和自适应隐马尔科夫模型(hiddenMarkwmodel,AHMM)混合的联机手绘图形识别方法。由于隐马尔科夫模型(HMM)的训练本质上是一种梯度下降的优化方法,算法易陷入局部最优,影响了其应用。为此,采用GA训练HMM模型参数,并给出了GA和HMM的两种混合训练方式:前端GA HMM模型和内嵌式GA HMM模型,GA算法能随机地调整HMM模型训练的初始值,使HMM跳出局部最优,较好地克服了HMM训练容易陷入局部最优的问题。另外,采用带有反馈环节的闭环AHMM代替传统的开环前向HMM模型对手绘图形识别,改善了HMM的自适应能力,显著提高了对图形的识别率和识别速度。试验结果证明了方法的有效性。