一种改进的隐马尔可夫模型训练算法

将类关联特征(class-dependent feature,CDF)用于隐马尔可夫模型(hidden Markov model,HMM)的建模,提出了一种新的HMM训练算法,与传统的HMM训练算法在理论上完全一致,但新算法避免了直接估计高维的状态输出概率密度函数(probability density function,PDF),可提高模型参数的估计精度.     

一种基于小波神经网络混合模型的说话人识别方法

提出一种混合模型,即将隐马尔可夫模型(HMM)和小波神经网络(WNN)相结合应用于说话人识别的模型.该方法利用HMM的时序建模能力以及小波神经网络较强的模式分类能力,进行与文本无关的说话人的识别.实验表明,采用这种混合模型可以提高系统的识别率,特别在噪声环境中具有一定的噪声鲁棒性,提高了识别性能.     

基于属性粒化聚类与回声状态网络的末制导雷达故障诊断

为了提高末制导雷达故障诊断的效率和精度,提出一种基于属性粒化聚类与回声状态网络(ESN)的故障诊断方法.定义一种基于属性值影响度的属性区分能力测量指标,并以此作为相似性度量依据,利用近邻传播(AP)聚类算法得到区分能力相当的若干属性粒,通过选取聚类中心属性来完成故障征兆属性的约简;在储备池构建中,采用Bienenstock-Cooper-Munro(BCM)规则进行连接权矩阵的预训练,在目标函数中添加L_(1/2)范数惩罚项,以提高ESN储备池对样本的动态适应性;同时,采用半阈值迭代法对模型进行求解,通过末制导雷达信号处理模块的故障诊断实例,验证了所提方法的有效性和优越性.结果表明:与BP神经网络和传统ESN模型相比,所提方法的稳定性及诊断准确率更高;将其与基于属性重要度和AP聚类的属性粒化约简算法相结合,能够进一步提高故障诊断的效率和精度,其仿真实验的训练时间仅为8.98s,诊断正确率可达95.2%.     

基于改进HMM模型的组合服务故障诊断方法

针对现有组合Web服务诊断模型故障诊断准确率普遍不高的问题，提出一种新颖的基于改进隐马尔可夫模型(Improved-HMM)的故障诊断方法.首先，从组合服务监测数据中提取多维特征序列训练HMM模型.训练过程中，考虑到基于BW的方法仅在某观测条件下进行参数评估，获得的参数准确度不高，提出基于贝叶斯估计的学习方法，得到更客观的参数;进一步，基于改进的HMM模型计算当前特征序列对应的各类故障类型发生概率，推断最有可能的故障类型.实验结果表明，提出的方法具有较高的诊断率和较低的漏报率，适合在网络环境中进行实时故障检测.     

基于隐生灭过程模型的充电桩故障诊断研究

文章提出了采用隐生灭过程研究电动汽车充电桩故障诊断的一般模型及分析方法,将状态转移仅发生在相邻状态之间的方式加以考虑,在给定规则下建立了隐生灭过程模型;利用生灭过程局部平衡方程组研究了充电桩发生故障的稳态分布,解释了稳态分布的物理意义。实验结果验证了上述理论分析的正确性,该文提出的模型和结论具有一定可行性与普适性,在一定程度上适用于诊断速度要求较高而精度要求低的其他电子设备故障诊断。     

基于REMOS的远距离语音识别模型补偿方法

封闭环境中远距离语音识别会受到混响效果的影响,从而降低语音识别率。混响建模(reverberation modeling for speech recognition,REMOS)是一种在模型域进行混响补偿的新方法,该方法在已知声源位置的情况下能有效提升远距离语音识别精度。但在实际应用中,往往难以预测声源的位置。利用最大后验概率的原理,基于对房间不同区域进行有区别补偿的思想,在按帧的隐马尔可夫模型 (hidden Markov model,HMM)补偿的基础上,提出一种在封闭环境中新的模型补偿方法。该方法利用K均值聚类K-means算法对房间冲击响应 (room impulse response,RIR)的优化集进行聚类,对所属相同类的混响模型进行合并处理,再把合并后的混响模型载入维特比算法中,对清晰语音的HMM模型进行按帧补偿。最后采用后验概率方法选择最佳补偿,使得模型域的混响补偿能最接近精确补偿。实验证明,该方法能进一步提升远距离语音识别的精度。     

基于改进蚁群算法的HMM参数估计

针对隐马尔可夫模型(HMM)的传统参数估计方法容易陷入局部最优,对初始参数值要求较高且会出现过耦合现象,为了提高模型的鲁棒性和识别性能,提出一种基于改进蚁群算法的HMM参数训练估算法(HMM-ACO).该算法根据信息素的变化实现全局搜索,较好地解决了迭代算法易发生的局部陷阱问题.与其他全局优化算法相比,该算法识别精度有较大提高.实验表明,利用HMM-ACO算法训练的隐马尔可夫模型具有较好的分类识别性能.     

基于HMM／SOFMNN混合模型的语音识别

本文针对传统的基于HMM模型的语音识别效率较低的问题,提出了一种将隐马尔可夫模型(HMM)与自组织特征映射神经网络(SOFMNN)相结合的方法。     

基于自回归隐半马尔可夫模型的设备故障诊断

提出了一种新的隐马尔可夫模型(HMM)拓展模型自回归隐半马尔可夫过程(Auto-Regressive Hidden Semi-Markov Model,AR-HSMM),并给出了模型参数的推导和相应的"前向-后向"算法.与传统的HMM相比,AR-HSMM有以下两个优点:①把传统HMM所假设的隐藏状态分布改进为显式高斯分布;②改进了传统HMM假设各观测变量相互独立的问题,通过在各观测变量之间建立联系,从而使之更加符合实际情况.在液压泵故障诊断中的应用实例表明,AR-HSMM在故障诊断中是非常有效的.     

基于ITD和模糊聚类的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的准确性与效率,针对其振动信号非线性和非平稳性的特点,提出将固有时间尺度分解(ITD)和模糊聚类(FCM)相结合的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行固有时间尺度分解,提取包含主要故障信息的前4个固有旋转分量(PRC),求取PRC的特征能量作为故障特征向量。然后利用模糊C-均值聚类算法对齿轮箱故障进行识别与诊断,并将该方法应用到现场齿轮箱的诊断中。结果表明,诊断结果与实际情况完全相符,该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度,为齿轮箱故障诊断提供了一种新的有效方法。     

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.     

隐马尔可夫模型及在人脸识别算法中的应用

介绍了隐马尔可夫模型(HMM)及其三大算法,并将其引入人脸识别的研究中,描述了一种基于隐马尔可夫模型的人脸识别方法.一幅正面人脸图像的重要特征具有一定的顺序,它可以通过一维的HMM来建模,每个特征区域被指定为一个状态,通过K-L变换将降维以后的特征矢量作为观察矢量.和其他人脸识别的方法比较,隐马尔可夫模型更能为人脸检测和识别提供灵活的框架.     

基于HMM／SVM的音频自动分类

提出一种基于隐马尔可夫模型和支持向量机混合模型的音频分类方法,用于语音、音乐、语音＋音乐、静音4类音频分类。首先利用4个HMM分类器对音频进行初步分类,确定最可能的两种音频分类结果,再用相应的SVM分类器做最终判决。实验结果表明,隐马尔可夫模型和支持向量机的两级分类器分类性能较好。     

混合二阶隐马尔可夫模型的Baum-Welch算法

介绍了在观测噪声和马尔可夫链不相互独立的条件下混合二阶隐马尔可夫模型(HMM2)的结构.然后,研究了新模型的Baum-Welch算法,并导出了新模型的参数估计公式.       

基于主元回归模型的挖掘机液压系统故障诊断

为提高挖掘机液压系统的可靠性,提出了基于主元回归(Principal Component Regression,PCR)模型和模糊C-均值(Fuzzy C-Means,FCM)聚类的挖掘机液压系统故障诊断方法.故障诊断方法将故障诊断分成故障特征提取和故障分类两个部分.在故障特征提取中,首先确定PCR模型的输入/输出结构,通过主元分析(Principal ComponentAnalysis,PCA)的累积贡献率得到故障样本的主元数目,建立相应的PCR模型并提取回归系数作为故障特征;在故障分类中,将FCM聚类作为故障分类器,对回归系数进行分类,判断系统的故障状态.仿真试验表明,提出的故障诊断方法能有效地应用于挖掘机液压系统.     

HMM2小波变换的参数估计

在观测噪声和马尔可夫链不相互独立的条件下提出了一种新方法来解决通过小波变换后的二阶隐马尔可夫模型（second-order HMM：HMM2）中高斯混合模型的参数计算问题．这种方法可以不必根据变换后的数据对系统参数进行重新估计，只需利用变换后输出的小波系数直接计算即可，避免了保留所有训练数据的繁琐复杂计算过程．     

一种基于HMMNN的说话人识别模型

隐马尔可夫模型(HMM)广泛应用于说话人识别系统中,主要研究了HMM与自组织人工神经网络(SONN)相结合的混合模型HMMNN,并分析构造了基于HMMNN的说话人识别的系统模型.     

基于多相关系数分组HMM2的学习算法

目的为了得到一种基于多相关系数分组二阶隐马尔可夫模型(second-or-der HMM:HMM2)的学习算法。方法最大似然准则,Lagrange乘子法。结果给出了在观测噪声和马尔可夫链不相互独立条件下二阶隐马尔可夫模型(second-or-der HMM:HMM2)的结构,获得了在多观测序列不相互独立的情况下HMM2的Baum-Welech学习算法。结论为得到充足数据,以对所有参数可靠估计,必须使用多观测序列。所获算法避免了直接计算条件概率的困难,考虑了训练序列间的相关性,故使计算过程更为便捷,在观测序列分组均匀相关情况下非常有用。     

基于类内和类间距离的粗粒度并行AP聚类算法

近邻传播(Affinity Propagation,AP)聚类是基于数据点间消息传递的算法,主要通过数据间的相似度实现聚类.与传统的聚类方法相比,AP聚类无需事先给定聚类数目就可实现聚类,因此具有快速高效的优点,然而在处理高维复杂数据集时存在随着聚类效率提升而准确度不高的问题.为改善AP聚类算法的效率和精度,提出基于类内和类间距离的粗粒度并行AP聚类算法——IOCAP.首先引入粒度思想将初始数据集划分成多个子集;其次对各子集结合类内和类间距离进行相似度矩阵的改进计算,最后基于MapReduce模型实现改进后的并行AP聚类.在真实数据集上的实验表明,IOCAP算法在大数据集上有较好的适应性,能在保持AP聚类效果的同时有效地提升算法精度.     

基于PCA与DHMM的发动机故障诊断研究

提出了主元分析方法(PCA)与离散隐马尔可夫模型(DHMM)相结合的发动机故障诊断方法.首先利用PCA进行发动机振动信号的特征提取,设计了基于PCA的振动信号故障特征提取算法;然后采用DHMM进行故障诊断,构建了基于DHMM的故障分类器和诊断数据库,设计了柴油机振动信号的故障诊断策略.实际应用结果显示,该方法是可行的,对柴油机故障的诊断精度,达到了94.17%,具有工程应用价值.