自适应安全分析和监测系统机理分析

对探测具有低信噪比特征的恐怖分子活动问题,其中包括"恶性的"或("恐怖分子活动")交易和嘈杂的("良性的")交易,提出了以隐马尔可夫模型和动态贝叶斯网络为基础的自适应安全分析和监测系统,用于帮助情报人员识别恐怖威胁,预测恐怖分子的可能活动.作为一种以交易为基础的分析工具,类似于有噪声背景的目标跟踪问题,将一系列在现实交易中可疑的人、地方和事情作为数据输入,利用隐马尔可夫模型,在前置变量法和时序似然比探测算法的基础上,提供描述恐怖分子网络节点状态的部分(不完整)观测数据的软性证据;构建分层贝叶斯网络,软性证据以可能性信息形式从隐马尔可夫模型传送到贝叶斯网络进行信息融合,用于升级贝叶斯网络的推理.和反恐网络模型相结合,自适应安全分析和监测系统收集、共享、识别信息,并且评价和预测恐怖分子网络的状态,为抑制可能的恐怖威胁给出可行性建议.     

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。     

基于小波域隐马尔可夫模型多尺度图像分割

提出了一种基于小波域自适应上下文结构的多尺度图像分割算法（JACMS）．该算法为了减小计算复杂度,采用隐马尔可夫半树模型和参数加权训练算法,得到了可靠的初始分割．为了获得较好的区域一致性和边缘准确性,在进行尺度间融合时,采用自适应的上下文结构分别应用于图像纹理均质区域和图像纹理边缘,保证了图像大致轮廓的准确性和可靠性,提高了分割后图像纹理边缘的精确度．对合成图像与航摄像片的实验结果表明,该方法的分割错误概率低于传统的基于小波域隐马尔可夫树模型的图像分割方法,且对真实图像得到了理想的分割效果．     

基于隐马尔可夫模型的电力信息系统动态威胁定量分析

针对典型电力信息系统的网络威胁定量评估问题，提出了基于网络入侵检测系统（network intrusion detection syetem，NIDS）报警信息和隐马尔可夫模型的网络威胁动态分析方法HMM-NIDS。该方法充分利用NIDS报警信息，从优先级、严重度、资产值和可信度4个方面分析NIDS报警信息，给出了报警威胁定量描述和分类方法，优化了隐马尔可夫模型中的观测矩阵；基于贝叶斯网络分析攻击成功的可信度，避免NIDS误警信息干扰；基于改进的隐马尔可夫模型，融合得到系统的动态风险量化值。基于Darpa2000实验场景模拟DDoS攻击，通过对比实验，验证了所提方法的有效性和优越性。     

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P2P流量控制管理系统

首先介绍P2P流量的现状,说明现在对于P2P流量要采取疏堵结合的原则.接着介绍P2P流量的管理策略和控制P2P流量的技术,并在对隐马尔可夫模型做了简单介绍之后提出一种基于隐马尔可夫模型的P2P流量控制管理系统.该系统表现出了良好的灵活性和可扩展性.     

基于混合条件模型的Web信息抽取

针对传统Web信息抽取的隐马尔可夫模型对初值十分敏感和在实际训练中极易得到局部最优模型参数,提出了一种最大熵和最大熵马尔可夫模型相结合的条件模型.该方法对输入的Web页面进行解析并构建HTML树,通过计算HTML子树结点的熵定位数据域,允许观察值表示任意重叠特征(像词、大写、HTML标记、语义)和定义状态序列给予观察序列的条件概率实现了Web信息抽取.实验结果表明,新的方法在精确度和召回率指标上比传统隐马尔可夫模型和最大熵马尔可夫模型具有更好的性能.     

基于隐马尔可夫模型与并行模型组合的特征补偿算法

提出了一种基于隐马尔可夫模型和并行模型组合的特征补偿算法.首先,利用一个包含较多状态的隐马尔可夫模型来描述全部单词特征向量的分布.然后,根据静音段估计的噪声均值和方差,采用并行模型组合方法调整隐马尔可夫模型的均值向量和协方差矩阵,使之与识别环境相匹配.最后,根据基于状态转移矩阵压缩的前向后向算法计算隐马尔可夫模型的后验概率,并通过最小均方误差准则估计纯净语音特征向量.实验结果表明,该算法能够更加准确地估计纯净语音特征向量,其性能明显优于基于高斯混合模型的特征补偿算法;状态转移矩阵压缩算法可以在不影响补偿精度的前提下,显著减少前向后向算法的计算量.     

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.     

软件体系结构动态特征建模与验证

针对软件体系结构描述语言在分析、验证软件构架动态行为中的不足,采用谓词/变迁(Pr/T)网为软件体系结构动态行为建模,并提出了基于线性时序逻辑的软件体系结构动态行为模型验证方法.首先根据体系结构层次模型扩展Pr/T网建立体系结构动态行为模型(DFM)并构造DFM的可达图,然后使用基于自动机理论的方法来验证模型的时态逻辑性质,最后通过对一个电子商务系统实例的并发控制机制建模和模型检测,验证了该方法的有效性.所提方法结合了Pr/T网和线性时序逻辑的优点,为进一步开展软件体系结构动态行为的分析、验证奠定了基础.     

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.     

基于隐马尔可夫模型的联合概率信道预测动态认知无线电频谱接入

在基于固定检测周期的认知无线电频谱接入技术中,为了在降低认知用户对授权用户干扰的同时,尽可能地提高认知用户的频谱利用率,提出一种基于隐马尔可夫模型(hidden Markov model,HMM)的联合概率信道预测(joint probability channel prediction,JPCP)的动态认知无线电频谱接入技术.该技术以固定检测周期(fixed sensing period,FSP)为基础,若认知用户已占用授权频段,则利用JPCP值与设定阈值的比较来确定是否提前退出信道的机制,以降低认知用户对授权用户的干扰;若认知用户未能占用授权频段,则利用在二次固定检测周期中增加临时的频谱空穴检测机制来提高认知用户的频谱利用率.仿真结果显示,与传统的固定检测周期技术相比,该技术方案能在降低认知用户对授权用户干扰的同时,有效提高认知用户的频谱利用率.     

终端嵌入式数学公式手写识别中的连笔搜索算法

在数学公式的手写识别中,由于人们的书写习惯造成大量连笔的存在,连笔识别错误给后续公式的识别造成的影响是当前公式识别系统中一个非常重要、而又没有得到很好解决的问题,同时,公式输入的过程中出现连笔又在所难免.本文提出了一种基于DP算法和隐马尔可夫模型的数学公式连笔字符识别方法,识别时,采用DP匹配算法和隐马尔可夫模型相结合的方法,首先使得字库样本与待识样本的码列匹配关系是最优的,当出现连笔字符或结构系统拒识时,采用隐马尔可夫分类器,从而提高整体的识别效率.     

一种基于噪声动态检测的语音端点检测算法

HMM技术在语音识别中得到较为成功的应用．本文基于HMM的孤立词语音识别系统的识别策略，提出了两个改进的算法．第一种算法是对背景噪声进行动态估计的汉语语音端点检测算法，较一些常规的端点检测方法如基于能量的端点检测方法，具有更高精度和鲁棒性，第二种算法针对分裂法进行码本设计时，可能出现除数为零的计算错误，提出了避免出现计算错误的改进算法．通过进行汉语孤立词语音识别实验，表明这两种算法是有效的，得到较高的识别率．     

一种改进的基于小波去噪HMM非特定人语音识别算法

在HMM算法的基础上引入了小波去噪理论，从而提高了原始语音的信噪比和最终识别率.由于分别对每段语音去噪并进行端点检测，大大降低了运算量，因而减少了训练时间，达到了较好的识别效果.通过与DTW算法的对比，证明了改进的HMM算法在非特定人语音识别中的良好效果.     

有限态文法引导的基于连续密度HMM的连续汉语语音识别

介绍了用有限态文法引导的基于连续密度隐马尔可夫模型(HMM)的连续汉语语音识别系统.分析了系统的组成,词语的HMM的训练方法和对识别系统的测试结果。实验表明,用有限态文法辅助进行连续语音识别是一种有效的策略;连续密度HMM与基于矢量量化的HMM/VQ相比需要较大的计算量,但可明显提高识别准确率。     

基于MEM和HMM的中文词性标注方法

为了进一步提高中文语料库中语料的词性标注效率,在分析最大熵模型(MEM)和隐马尔科夫模型(HMM)所涉及理论、算法及其在中文词性标注技术中的应用的基础上,进行了基于MEM和HMM的中文词性标注实验.实验结果显示,基于MEM和HMM的中文词性标注算法都获得了一致性很好且覆盖率较高的标注效果,中文词性标注的准确率、召回率和F1这3个指标均达到92%以上;MEM的标注效果总体上比HMM的稍佳.     

基于MEM和HMM的中文词性标注方法

为了进一步提高中文语料库中语料的词性标注效率,在分析最大熵模型(MEM)和隐马尔科夫模型(HMM)所涉及理论、算法及其在中文词性标注技术中的应用的基础上,进行了基于MEM和HMM的中文词性标注实验.实验结果显示,基于MEM和HMM的中文词性标注算法都获得了一致性很好且覆盖率较高的标注效果,中文词性标注的准确率、召回率和F1这3个指标均达到92%以上;MEM的标注效果总体上比HMM的稍佳.     

基于光流及耦合隐马尔可夫模型的动态手势识别

基于块的相关算法来计算光流，并利用光流跟踪双手的运动．双手的运动轨迹取相邻两点的速度向量，经8方向链码量化后作为观察向量．和直接利用位置信息相比较，提高了识别的鲁棒性．采用耦合隐马尔可夫模型来识别双手动态手势，提出并实现了最大后验概率的训练．对6个双手动态手势的试验表明，耦合隐马尔可夫模型(CHMM)比常规隐马尔可夫模型(HMM)能更有效地对双手动态手势建模．