一类隐马尔可夫模型的若干极限性质

假定隐藏的马尔可夫链为非齐次，研究隐非齐次马尔可夫模型的一些强极限定理．首先在引理中得出了隐非齐次马尔可夫模型的一些性质，从而导出了隐非齐次马尔可夫模型的三元函数一类平均值的强极限定理．作为定理的推论，得到了隐非齐次马尔可夫模型状态出现频率的一类强极限定理．隐马尔可夫模型可应用于弱相依随机变量的建模上，也可用作研究发音过程、神经生理学与生物遗传等方面的工具．     

关于可列m重非齐次马氏链的一个强大数定律

研究了可列m重非齐次马氏链的一个强大数定律.首先给出可列m重非齐次马氏链的定义,然后利用鞅的极限定理再结合遍历系数得到可列m重非齐次马氏链的一个强大数定律,所得结论能够推广已有文献中的一些结果,并对进一步研究多重马氏链提供了理论基础,且能为实际问题如语声、电视信号等多重马尔可夫信源的研究提供理论依据.     

一类隐非齐次马尔可夫模型的强极限定理

在假定隐藏的马氏链为非齐次且从隐藏链到观测链的转移矩阵列也与时刻n有关的情况下,对一类在发音过程中常用的隐马尔可夫模型进行研究.这类模型的主要特点是观测链不仅受当前状态的影响还与上一时刻的状态有关.先给出了该模型的强极限定律,然后得出了状态出现频率的强极根定理.     

隐马尔可夫模型的拓朴应用

以非齐次隐马尔可夫模型(Inhomogeneous Hidden Markov Mode1)出发,用自适应函数链神经网络与非齐次隐马尔可夫模型相结合,训练出适用环境变化的HMM模型,并应用该混合模型进行语音识别.实验结果表明,该模型适合于对噪声背景下的语音进行识别,该模型具有更好的鲁棒性,在信噪比较低的情况下,可以提高识别率.     

关于隐马尔可夫模型的一个极限性质

隐马尔可夫模型是研究发音过程、神经生理学与生物遗传等问题的有力工具,并且在弱相依变量的建模上得到了广泛应用.本文假定隐藏的马氏链为非齐次的,从而导出了该模型泛函序列{fn(X0,...,Xn,Yn)}的强极限定理.     

关于二重非齐次可列马氏链的一类极限定理

给出了可列非齐次二重马尔可夫链的三元状态序组出现频率的一类强极限定理和推论．在定理的证明中，采用一种研究概率极限的新方法：分析法——而不是传统的研究概率极限的概率方法，并且加以改进，用以研究可列非齐次二重马氏链极限性质，并得出一类非齐次可列二重马氏链的极限定理，所得结论对任意可列非齐次二重马尔可夫链都成立。     

一般集合上首达时序列的强马尔可夫性

本文论证了齐次马尔可夫链状态空间的一般子集的首达时为一个停时,利用强马尔可夫性得到相应的序列仍为一个齐次马尔可夫链,进而得到一般集上首达时序列的强马尔可夫性.     

隐马尔可夫模型及其在自动词类标注中的应用

介绍了马尔可夫对《欧根·奥涅金》的数学研究,说明了语言的使用是一个随机过程,通过天气事件的实例对马尔可夫链和隐马尔可夫模型进行了数学描述,最后应用隐马尔可夫模型来解决自然语言处理中的自动词类标注问题。     

基于OpenCL的隐马尔可夫模型的GPU并行实现

隐马尔可夫模型(HMM)是建立在马尔可夫链的基础上的统计模型.虽然隐马尔可夫模型是一种计算高效的机器学习模型,但是当处理的数据集规模过于庞大时,分析的时间太长.因此,我们有必要研究隐马尔可夫模型的并行化设计,以提高模型的运算速度.近年来,开放计算语言(OpenCL)的出现,使得设计通用的并行程序成为可能.该文,我们分析了隐马尔可夫模型三类算法的并行特性,并设计基于OpenCL的并行实现.实验结果表明,隐马尔可夫模型在GPU上的并行化实现最高获得了640倍的加速比.     

一般集合上首达时序列的强马尔可夫性

本文论证了齐次马尔可夫链状态空间的一般子集的首达时为一个停时,利用强马尔可夫性得到相应的序列仍为一个齐次马尔可夫链,进而得到一般集上首达时序列的强马尔可夫性．