基于改进HMM的驾驶疲劳险态识别方法

驾驶疲劳的产生是渐进的动态生成过程,基于隐马尔可夫模型(hidden Markov model,HMM)的相关研究需首先确定模型训练初值,且训练过程易陷入局部最优.基于此,通过在HMM训练过程中引入粒子群优化(particle swarm optimization,PSO)算法对训练过程存在的上述问题进行了改进,并结合驾驶疲劳状态典型数据集对所提出的改进方法和前向后向算法(forward-backward(BW)algorithm)进行了详细对比.实验及分析测试结果表明,所提出的改进方法在驾驶疲劳预测结果准确性和稳定性上都优于BW算法.     

基于B参数的改进HMM动态手势识别算法

针对目前动态手势识别中隐马尔可夫模型(HMM)在训练B参数的过程中,训练过程复杂、易陷入局部最优解的不足,提出了一种基于B参数的改进HMM动态手势识别算法.该算法在计算HMM观测状态转移概率的过程中,引入了支持向量机(SVM)改进算法,利用SVM的强分类能力将其输出通过Sigmoid函数转换为概率,并作为HMM中各个隐状态的输出概率,优化了HMM的B参数,从而改进了HMM算法的性能,提高了系统的识别率.实验结果证明:该方法能够准确地识别出动态手势轨迹,平均识别率由86.1%提高到97.4%,并且对光照和复杂背景均具有较强的鲁棒性.     

参数共享在语音识别中的应用

参数共享是基于隐 Markov模型 (hidden Markovmodel,HMM)的语音识别系统的参数训练中的一个关键性问题 ,因此在语音识别的诸多领域中都有重要的应用。对参数共享的作用及其使用的聚类算法进行了分析研究 ,在此基础上提出改进合并分级聚类算法 ,并将其应用于 HMM的状态捆绑。实验表明 ,一个大规模词汇量的孤立词语音识别器采用 HMM的状态捆绑后 ,可以大大缩减识别过程的时空消耗 ,同时识别率仅有较小的损失     

一种改进的Bayesian网络模型用于蛋白质二级结构预测

分析了蛋白质二级结构预测问题的Bayesian模型,给出了基于这种模型的神经网络,并提出了一种改进的网络模型,通过实验表明这一新模型能较好地处理蛋白质二级结构预测问题.     

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.     

基于多模集成神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出了一个由5个子网络集成的多模神经网络模型,预测结果由5个子网络综合得到。对于每个子网络采用神经网络分级思想分为二级网络,一级网络采用含进化信息的profile编码蛋白质序列作为输入,二级结构作为输出。二级网络编码一级网络输出结果作为输入,并将蛋白质序列用改进正交编码方式作为另一输入来提高二级网络的预测精度,输出仍为二级结构。采用子网络差异方式进行单独训练,结果表明该方法最终的预测精度达到71.3%,较大提高了蛋白质二级结构的预测精度。     

基于改进BP神经网络预测蛋白质二级结构

蛋白质结构预测在生物信息学研究中占有重要地位,而蛋白质二级结构预测是蛋白质结构预测的关键步骤。针对标准BP算法存在的缺点,讨论采用几种不同的改进BP神经网络来实现蛋白质二级结构的预测,运用MATLAB语言实现各种改进算法的初始化和训练。并分析比较了它们对蛋白质二级结构预测精度的影响。实验表明,遗传算法结合动量法与学习率自适应调整策略的BP算法可获得较高的预测精度。     

隐马尔科夫模型在三维模型自动分类中的应用

针对三维模型的分类问题,提出了一种基于隐马尔科夫模型(HMM)和最大期望(EM)算法的三维模型自动分类方法。将HMM引入三维模型自动分类问题中使得更多先验知识在分类过程中被利用。算法首先对三维模型进行预处理和组合切分,并提取各切分部分的形状直方图特征。对形状直方图特征进行离散归一化后形成HMM模型在某一时刻的观测值,这些观测值将用来训练HMM参数。HMM参数通过EM算法进行估计。最后通过计算未知模型和各类模型的HMM参数间的最大后验概率,获得三维模型的分类结果。在HMM建模过程中利用HMM本身所具有的时序性来描述三维模型的空间几何结构和局部几何特征。实验表明该方法在三维模型自动分类中有较高的准确率。     

支持向量机近似模型的参数选取及其在结构优化中的应用

针对非线性结构响应预测的支持向量机(SVM)近似模型的参数选取问题,提出了应用粒子群算法进行参数优化,建立了具有最优参数的SVM近似模型,并与以训练集数据建立常规的SVM、二阶响应面(RSM)和径向基神经网络(RBFNN)近似模型进行对比.结果表明:以优化参数建立的SVM近似模型比常规的SVM近似模型有更好的预测能力;可以避免RSM和RBFNN近似模型中的过拟合现象,具有更优的推广能力.最后,将最优参数的SVM近似模型用于船舶结构优化中,取得了具有良好工程实用性的优化结果.     

HMM在下肢表面肌电信号步态识别中的应用

提出了一种基于隐马尔可夫模型(HMM)的分类方法,利用下肢表面肌电信号(SEMG)进行人体步态状态的识别.对每通道的SEMG信号按时间分段后,对每段数据提取4个时域特征来描述信号特点.根据对步态周期中状态的划分确定了HMM的结构,将HMM的状态与步态状态一一对应,并利用改进的Baum-Welch算法估计HMM参数,然后...     

基于语义提升HMM的语义标注

语义标注所用标签数目众多,训练数据更为稀疏,用HMM作语义标注面临参数估计不准的难题。不同于传统的解决数据稀疏方法,以《同义词词林》的层次式结构为依据,提出了利用语义层次的提升来改善HMM(hidden Markov model)中参数的估计质量;在算法实现中,采用选择受限策略来解决因语义提升而引起的模型辨别力下降问题。测试表明,在训练数据相对稀疏的情况下,适度调整模型的语义层次可大幅提高语义标注的精度,该方法表现出较好的可塑性。     

HMM in predicting protein secondary structure

We introduced a new method—duration Hidden Markov Model (dHMM) to predicate the secondary structure of Protein. In our study, we divide the basic second structure of protein into three parts: H (α-Helix), E (β-sheet) and O (others, include coil and turn). HMM is a kind of probabilistic model which more thinking of the interaction between adjacent amino acids (these interaction were represented by transmit probability), and we use genetic algorithm to determine the model parameters. After improving on the model and fixed on the parameters of the model, we write a program HMMPS. Our example shows that HMM is a nice method for protein secondary structure prediction. Foundation item: Supported by the National Natural Science Foundation of China (30170214) Biography: Huang Jing (1977-), female, Master candidate, research direction: bioinformatics.     

基于改进MMI的HMM训练算法及其在面部表情识别中的应用

提出一种改进的最大互信息(MMI)准则函数并把它应用于隐马尔可夫模型(HMM)的参数估计,重新推导了HMM的迭代公式. 该准则函数相对于原来准则函数定义更为合理,能有效利用训练样本集中的鉴别信息,使得训练数据得到充分利用,提高了HMM的性能. 把这种改进的HMM算法应用于面部表情识别,利用改进的光流算法提取面部表情特征向量序列,并利用改进HMM算法和BP神经网络构建了面部表情混合分类器. 实验结果表明了该方法能有效提高面部表情识别率,有效解决HMM参数估计问题.     

A New Hidden Markov Model for Protein Quality Assessment Using Compatibility Between Protein Sequence and Structure

Protein structure Quality Assessment（QA） is an essential component in protein structure prediction and analysis. The relationship between protein sequence and structure often serves as a basis for protein structure QA.In this work, we developed a new Hidden Markov Model（HMM） to assess the compatibility of protein sequence and structure for capturing their complex relationship. More specifically, the emission of the HMM consists of protein local structures in angular space, secondary structures, and sequence profiles. This model has two capabilities：（1） encoding local structure of each position by jointly considering sequence and structure information, and（2）assigning a global score to estimate the overall quality of a predicted structure, as well as local scores to assess the quality of specific regions of a structure, which provides useful guidance for targeted structure refinement. We compared the HMM model to state-of-art single structure quality assessment methods OPUSCA, DFIRE, GOAP,and RW in protein structure selection. Computational results showed our new score HMM.Z can achieve better overall selection performance on the benchmark datasets.     

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.     

Hybrid Genetic Algorithm Based Optimization of Coupled HMM for Complex Interacting Processes Recognition

Coupled Hidden Markov Model (CHMM) is the extension of traditional HMM, which is mainly used for complex interactive process modeling such as two-hand gestures. However, the problems of finding optimal model parameter arc still of great interest to the researches in this area. This paper proposes a hybrid genetic algorithm (HGA) for the CHMM training. Chaos is used to initialize GA and used as mutation operator. Experiments on Chinese Tai‘Chi gestures show that standard GA (SC, A) based CHMM training is superior to Maximum Likelihood (ML) HMM training. HGA approach has the highest recognition rate of 98.0769%, then 96. 1538% for SGA. The last one is ML method, only with a recognition rate of 69.2308 %.     

深锥浓密机底流浓度预测与外部结构参数优化

针对困扰支持向量机(SVM)模型参数选择问题,结合遗传算法(GA),建立了深锥浓密机底流放砂浓度的GA-SVM预测模型,研究了不同结构参数状态下底流浓度的变化规律,进行了深锥浓密机的外部结构参数优化选择。以司家营铁矿为例,在最优底流放砂浓度为72%的条件下,经外部结构参数优化后的深锥浓密机锥高10m、锥角为30°,系统稳定可靠、底流连续均匀,动力荷载较同类矿山降低约15%,压耙停机故障降低80%。     

基于平均熵值的多点地质统计建模参数优选方法

多点地质统计建模方法通过训练图像获取空间结构和相关性统计特征,重建结构复杂的储层地质模型,为提高油气预测效果服务。不同建模参数的选择会直接影响计算效率和模拟结果,因此选择合适的建模参数至关重要。鉴于传统参数灵敏度分析方法的不足,提出一种基于模式均熵的多点地质统计建模参数优选方法,采用Hsim相似度对随机模型和训练图像的模式均熵差异进行量化分析。以多点地质统计建模参数——样板尺寸为例,计算建模参数集和训练图像的空间及结构特征相似度,建立基于模式均熵差异的空间相关性评价指标和建模参数的拟合曲线,将相关性评价曲线趋于平稳的拐点所对应参数值作为最优参数。实验结果表明,相比传统参数优选方法,基于单点熵代替两点熵进行平均熵值计算的新方法可以准确客观地优选出多点地质统计建模算法的参数。     

基于选择性集成的情感识别

当前，情感识别已经成为情感计算中一个重要研究问题。传统的情感识别方法有人工神经网络（ANN）的 情感识别、模糊集的情感识别、支持向量机的情感识别和隐马尔可夫模型（HMM）的情感识别等。将选择性集成的 方法应用到情感识别中，该方法通过训练数据集的随机数抽取、训练，得到一批候选分类器，并通过差异性计算，挑选出大于平均差异性水平的分类器用来做最终情感识别。实验表明，该方法比传统的识别方法以及bagging集成 方法的效果都好,能有效地提高情感识别的精度。     

快速小波域隐马尔可夫模型的图像去噪

在分析小波系数的指数衰减性和延续性的基础上，提出了一种模型参数初始化的方法．MATLAB仿真实验结果表明，该方法给出了合理的模型参数初值，在有效缩短训练时间的同时能获得较理想的去噪结果。