基于隐马尔可夫模型的单音及和弦钢琴指法自动标注（英文）

提出了一种基于隐马尔可夫模型的用于双手的钢琴指法标注方法.在隐马尔可夫模型中,指法的形式是隐藏状态,乐谱的音符是输出状态.方法主要包含两个步骤:确定隐马尔可夫模型的转移概率矩阵和输出概率矩阵,以及使用维特比算法寻找对应于音符序列的概率最大的指法序列.所提方法中的隐马尔可夫模型可以同时处理单音以及和弦.同时方法的有效性也通过真实的钢琴乐谱得到了验证.     

基于判决HMM和改进Viterbi的钢琴指法自动标注方法

现有的一阶隐马尔可夫模型(hiddenMarkovmodel,HMM)用于钢琴指法标注不能结合音符序列的长程信息,导致标注结果存在物理不可弹指法,且演奏效率较低,因此本文提出了一种基于判决隐马尔可夫模型和改进维特比算法的钢琴指法自动标注算法.结合指法规则的先验知识,在HMM中引入了判决函数,从而能够去除错误的穿跨指和超出可弹跨度的指法.在预测指法路径时,改进了维特比算法的寻优规则,首先根据先验知识对音符序列进行八度分段,并改进初始指法的确定方法,最后选择穿跨指数最少、演奏效率最高的指法序列为最优指法.为了表征算法的性能,文中还提出了不可弹指法占比率和欠合理率两种新的评价指标来衡量指法的可弹性和演奏效率.通过实验验证,文中算法相较于现有标注模型在一致率和两种新的指标上提升效果显著.另外,为了对比在小数据集下传统方法和深度学习方法的性能,还与Bi-LSTM+CRF进行了对比实验,训练时分别采用原始音符序列和音符差分序列,实验结果显示利用音符差分序列可以有效提高标注结果的一致率,由此可见,相较于原始音符序列,指法标注和音符差分序列的关系更密切,从而进一步验证了本文算法结合音符差分信息改进HMM的有效性.但现有数据量下,深度学习模型在不可弹指法率和欠合理率上差于本文算法.     

基于词性标注与分词消歧的中文分词方法

中文分词是中文信息处理的前提和基础.文章综合基于词典的分词方法和统计的分词方法的优点,旨在提出一种基于词性标注与分词消歧的中文分词方法,针对初次分词结果中的歧义集进行对比消歧.利用正向、逆向最大匹配方法以及隐马尔可夫模型进行分词,得到三种分词结果中的歧义集.基于词信息对歧义集进行初次消歧.通过隐马尔可夫模型标注词性,利用Viterbi算法对每种分词结果选取最优词性标注.并基于定义的最优切分评估函数对歧义集进行二次消歧,从而获得最终分词.通过实验对比,证明该方法具有良好的消歧效果.     

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．     

图像抠图与copy-paste结合的数据增强方法

提出一种基于图像抠图与copy-paste结合的数据增强方法(matting-paste),采用图像抠图法获取单个垃圾实例的准确轮廓，并对单个实例进行旋转和亮度变换.根据物体轮廓信息，把实例粘贴到背景图上，无需额外的人工标注即可生成新的带有标注的数据，从而提高数据集的多样性和复杂性.结果表明：数据集扩充后的mask比数据集扩充前的识别精度提高了0.039,matting-paste能在已有数据集上有效地扩充数据，进一步提高模型的识别精度.     

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.     

一种高识别率的语音密码锁

采用基于统计模型的隐马尔可夫模型(hidden Markov model,HMM)来描述语音模型,进行语音模型库训练,并使用模板匹配的Viterbi算法进行语音识别,实现了以凌阳16位单片机SPCE061A为核心的语音密码锁系统,包括键盘模块、电源模块、门锁控制模块、LCD显示模块。该密码锁将语音密码和键盘密码技术相结合以保证系统安全性,通过测试,系统对特定人语音识别率为98%。     

基于隐马尔可夫模型的程序行为异常检测

针对入侵检测中普遍存在误报与漏报过高的问题，提出了一种基于隐马尔可夫模型的程序行为异常检测新方法．该方法以程序正常执行过程中产生的系统调用序列为研究对象，建立计算机的正常程序行为模型．在入侵检测时，先对测试的系统调用数据用滑动窗口划分得到短序列，再根据正常程序行为的隐马尔可夫模型求得每个测试短序列的输出概率，如果系统调用短序列的输出概率低于给定阈值，则将该短序列标定为“不匹配”，如果测试数据中不匹配的短序列数占总短序列数的百分比超过另一给定阈值，该模型就认为此程序行为异常．实验结果表明，与Forrest和Lee的方法相比，所提方法的检测率的最大提高率可达590％．     

藏语语音合成中语料数据标注规则的设计

基于隐马尔可夫模型（HMM）的藏语语音合成系统中,语料数据的标注是训练声学模型的基础和关键。文章结合藏语独有的语音特点对语料数据设计套标注规则,并以Praat为标注环境实现语料的标注。     

基于隐马尔可夫过程的藏语语音预测初探

针对藏语言的特点,提出基于隐马尔可夫过程(HMM)的概率统计模型,用可观测的藏语文本信息预测重音标注,提出了初步设想.     

基于隐马尔可夫模型和遗传算法的地图匹配算法

综合采用隐马尔可夫模型(HMM)和遗传算法,提出了一种新的地图匹配算法.首先初始化HMM概率矩阵,然后使用前向后向算法进行参数学习,用Viterbi算法预测一组路段序列,最后将路段序列作为种群,通过遗传算法得到最优的路段序列.采用北京市2012年出租车GPS定位数据分别对传统的基于隐马尔可夫模型的算法和新算法进行测试,实验结果表明,传统的基于隐马尔可夫模型的算法的匹配精确度低于90%,新算法的匹配精确度高达90%以上.     

面向问答领域的数据增强方法

针对当前自动问答数据增强方法需要大量外部数据的问题,提出一个面向问答模型缺陷的数据增强方法.首先,在训练集上训练好问答模型、问题生成模型以及问答匹配模型;然后,获取问答模型在训练集上预测的所有答案,并选取其中预测错误的答案;再后,使用问题生成模型对这些答案生成相应问题;最后,通过问答匹配模型对生成的问答对进行过滤,保留...     

基于文本分块的多模板隐马尔可夫模型的文本信息抽取

针对文本信息抽取中训练数据来源的多样化，不利于学习到最优的模型参数的问题，提出了一种基于多模板隐马尔可夫模型的文本信息抽取算法. 新算法利用文本排版格式、分隔符等信息，对文本进行分块，在此基础上，通过对训练数据分成多个形式模板训练隐马尔可夫初始概率及转移概率参数，最后，结合统一训练的释放概率参数，对文本信息进行抽取. 实验结果表明，新算法在精确度和召回率指标上比简单隐马尔可夫模型具有更好的性能.     

基于隐马尔可夫模型的多重序列分析

隐马尔可夫模型是最近几年在许多机器学习领域都得到成功应用的关于序列分析的重要统计模型,特别是在蛋白质家族的识别方面.这主要是由于生物数据的急剧增长导致2个领域(计算科学和生物学)走向结合引起的.探讨了多重序列比对和序列谱隐马尔可夫模型,讨论了隐马尔可夫模型的基本算法以及如何建立HMMs.根据E值和训练分数进行蛋白质家族的识别和分类.     

基于CRF的中文组块分析

提出一种基于条件随机域模型的方法用于中文文本组块分析. 该方法将中文组块分析转化为对每个词语赋予一个组块标注符号, 再根据条件随机域对标注好的训练语料建立模型, 从而预测测试语料中每个词语的组块标注符号. 使用北京大学中文树库的测试结果为F₁=85.5%, 高于隐马尔可夫模型和最大熵马尔可夫模型. 实验结果表明, 条件随机域在中文组块识别方面有效, 并避免了严格的独立性假设和数据归纳偏 置问题.     

基于因子分析的隐马尔可夫模型

状态输出概率密度为对角协方差矩阵高斯分布的隐马尔可夫模型(HMM-DG)在帧内特征相关建模方面存在缺陷．本文将因子分析方法与HMM-DG的混合高斯建模相结合,提出了一种具有弹性的帧内特征相关隐马尔可夫模型框架一基于因子分析的隐马尔可夫模型(HMM-FA)．并导出了HMM-FA的训练算法．理论分析和仿真实验都表明：在训练数据相同的条件下,HMM-FA的性能优于HMM-DG。     

“弄假成真”：基于对抗学习的数据增广方法

 近年来,深度学习在计算机视觉领域取得了巨大的突破,其背后是利用大量标签数据对深度网络进行监督训练,而标注大规模数据集非常昂贵且十分耗时。针对大规模数据集标注问题,苹果公司的Shrivastava团队希望借助现有的计算机仿真技术以及对抗训练的方法,实现仿真图像的无监督学习,从而避免昂贵的图像标注过程。该团队在对抗网络的基础上提出3个创新点：（1）自正则项;（2）局部对抗损失;（3）使用历史生成图片更新判别器,使得生成真实化图片的同时保留输入图像特征。实验结果展示该方法可以生成高度真实化的图片。研究者通过训练凝视估计模型、手部姿态估计模型定量分析生成图片的效果,分析结果表明,使用生成图片训练的模型,在MPⅡGaze数据集上测试效果有很大的提升,达到了当时最好的效果。不过,研究者并未在包含多个物体的复杂场景下进行实验,文中提出的方法在复杂场景下的应用还存在局限性。     

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．     

图像预测误差域的动态补偿安全隐写算法

为了保证载密图像嵌入大量信息后的高阶统计安全性,该文将图像马尔可夫链模型推广至图像预测误差域,根据动态补偿的原理提出运用于图像预测误差域的二阶统计保持隐写算法。该算法根据隐写对图像预测误差马尔可夫链模型统计分布的改变情况,指导嵌入函数,运用后嵌入的隐秘信息动态补偿前期嵌入对图像二阶统计特性的改变,从而在不损失嵌入容量的情况下提高隐写的统计安全性。实验表明,该隐写算法在较大容量的数据嵌入过程中,能很好保持图像统计特性,提高隐写安全性。     

基于PPYOLOE的师生互助训练半监督目标检测网络

随着深度学习技术的发展,基于卷积神经网络的目标检测技术成为当前计算机视觉领域的研究热点之一.目前主流的目标检测算法依赖于监督学习方式,需要在大量有标注图像数据上训练网络,然而,无标签的数据易于获取,而有标签的数据收集起来通常很困难,标注也耗时和耗力．为了解决数据标注难以获取的问题,提出了教师学生互助训练的半监督目标检测(PPYOLOE-SSOD)算法．首先,同时训练一个学生模型和逐渐改进的教师模型,使用教师模型筛选高质量伪标签,将伪标签作为未标注图像的回归目标,指导学生模型训练,挖掘未标注图像的知识信息,为了减小参数传递的不稳定性,每次迭代学生模型使用指数移动平均方法更新教师模型参数;此外,引入不同种类的半监督数据增强方法来增强网络的抗干扰能力;最后,针对无标注数据的学习,新增无监督学习分支,使用密集学习方式对模型预测得到的特征进行处理,通过对教师模型预测的分类特征排序,自动选择高质量特征作为教师模型生成的伪标签,从而避免了繁琐的伪标签后处理,提升网络的精度和训练速度．在MSCOCO数据集上,通过使用半监督学习方法,PPYOLOE在1%、5%、10%的标注数据集上分别得到了1.4%、1...