量化子空间分布隐马尔可夫模型的间接训练

研究了量化子空间分布隐马尔可夫模型(quantized subspace distribution hidden markov model，QSDHMM)间接训练所涉及的三个关键的问题：连续分布隐马尔可夫模型(continuous distribution hidden markov model，CDHMM)的训练、特征子空间的划分和子空间高斯分布的量化方案。提出了相关特征子空间的定义及实现算法。在仿真实验中，采用基于分类学的：Bhattacharyya距离测度的K均值高斯聚类算法对子空间高斯分布进行量化，用最相关子空间的概念划分特征子空间，并将这两者结合使用，提高了系统的识别精度和速度。     

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。     

基于改进的隐马尔科夫模型的词性标注方法

针对隐马尔可夫(HMM)词性标注模型状态输出独立同分布等与语言实际特性不够协调的假设,对隐马尔可夫模型进行改进,引入马尔可夫族模型。,该模型用条件独立性假设取代HMM模型的独立性假设。将马尔可夫族模型应用于词性标注,并结合句法分析进行词性标注。用改进的隐马尔可夫模型进行词性标注实验。实验结果表明:与条件独立性假设相比,独立性假设是过强假设,因而基于马尔可夫族模型的语言模型更符合语言等实际物理过程;在相同的测试条件下,马尔可夫族模型明显好于隐马尔可夫模型,词性标注准确率从94.642%提高到97.126%。     

关于m重隐非齐次马尔可夫模型的混合性

研究了m重隐非齐次马尔可夫模型的混合性.首先给出了m重非齐次马尔可夫链混合性的定义,然后证明了m重非齐次马尔可夫链满足混合性的充分条件,最后将所得结果推广到了m重隐非齐次马尔可夫模型上,为进一步研究多重隐马尔可夫模型提供了理论基础.     

基于改进的隐马尔科夫模型的语音识别方法

针对隐马尔可夫（HMM）语音识别模型状态输出独立同分布等与语音实际特性不够协调的假设以及在使用段长信息时存在的缺陷,对隐马尔可夫模型进行改进,提出马尔可夫族模型。马尔可夫族模型可看作一个数学上由多个马尔可夫链构成的多重随机过程,HMM模型则是双重随机过程,因而,HMM模型可视为马尔可夫族模型的特例。马尔可夫族模型用条件独立性假设取代了HMM模型的独立性假设。相对条件独立性假设,独立性假设是过强假设,因而,基于马尔可夫族模型的语音模型更符合语音实际物理过程。在马尔可夫族语音识别模型中引入状态段长信息,能自动根据语速对语音单元段长进行调整。非特定人连续语音实验结果表明,利用状态段长信息的改进语音识别模型比经典HMM模型的性能明显提高。     

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.     

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．     

连接数字串语音识别

 介绍了语音识别的一般方法,基于隐马尔可夫 (HMM )统计模型和HTK工具包,声学层选用单音子和二音子识别单元,给出了一个简单的,母语为非汉语的非特定人连接数字串识别实验.     

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CDHMM/SOFMNN噪声背景下的语音识别方法

针对噪声背景下传统语音识别系统识别率较低的问题,提出了一种将自组织特征映射神经网络(SOFMNN)与隐马尔可夫模型(HMM)相结合的方法,训练出适应噪声的混合模型.该模型适合于对噪声背景下的语音进行识别.同传统的CDHMM模型以及直接在语音中加入加性噪声训练出的CDHMM模型相比,该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(2~12 dB),识别率比传统CDHMM模型有明显提高.     

连接数字语音识别系统的DSP实时实现

：针对各种数字信息,实现了一种基于ＴＭＳ３２０Ｃ５ｘ 评价模块（ＥＶＭ）的与特定人无关的连接数字语音识别系统．在分析了连续概率密度的隐马尔可夫模型（ＣＤＨＭＭ）基础上,利用ＬＰＣ倒谱系数、ＬＰＣ差分倒谱系数、能量归一化系数及其差分系数作为语音特征矢量,训练和识别采用Ｖｉｔｅｒｂｉ算法和Ｂａｕｍ －Ｗｅｌｃｈ 重估算法,有效地提高了系统的识别率．给出了实现各个阶段所需的时间,比较了简单模板匹配法和隐马尔可夫模型法以及不同语音特征参数对识别率的影响．在具体实现中,着重处理了抗噪及实时实现问题．实验结果表明,本系统在普通机房条件下取得较满意的效果,正确识别率达到９２％ ,为其实用化提供了较为重要的技术途径．     

有限词汇,特定人,商品化的英语语音识别系统

介绍了一个在微机上实现的有限词，特定人语音识别系统，该系统采用连续，Ｍ元高斯混合密度的隐式马尔柯夫模型（ＣＤＨＭＭ）为识别方法，以修改后的ＢａｕｍＷｅｌｃｈ方法为训练重估算法，文中提出了对语音特征矢量非线性归一化预处理，和对训练数据不足的ＨＭＭ模型特征空产是进行后处理修正的算法，还提出了一种基于语音知识的模型初始化的方法，经实验证明，系统的识别率可以达到９０％以上。     

语谱特征的身份认证向量识别方法

针对采用梅尔频率倒谱系数(mel-frequency cepstrum coefficient,MFCC)作为身份认证向量(identity vector,i-vector)进行说话人识别存在语音信息不全的问题,提出一种基于语谱特征的身份认证向量识别说话人的方法。语音信号经过预加重、分帧加窗预处理之后,通过短时傅立叶变换转换成语谱图,语谱图被提交到高斯通用背景模型,在高维均值超向量空间中选择合适的低维线性子空间流型结构以构造符合正态分布的向量作为身份认证向量。这些获取的身份认证向量经过线性判别性分析实现降维并存储。最后采用对数似然比(log-likelihood ratio,LLR)方法对训练和测试阶段的i-vector进行评分,完成说话人识别。以TIMIT数据库为标准的数值实验结果表明,相比采用MFCC作为特征的识别方法,研究的等错误率(equal error rate,EER)更低。     

基于局部保留映射与径向基网络的人脸识别方法

局部保留映射（locality preserving projections,LPP）选择人脸子空间特征包含非线性信息而不利于最近邻法分类．基于径向基函数（radial basis function,RBF）分类器可以将非线性可分问题转化为线性可分问题的特点,提出了利用LPP子空间和RBF网络相结合进行人脸识别的方法,LPP算法采用监督模式,RBF网络隐层中心采用正交最小二乘（orthogonal least—squares,OLS）法训练．实验结果表明,该方法在Yale—B和Yale—B Extended人脸数据库上的识别率为95．67％,在CMU—PIE人脸数据库上的识别率为98．52％,具有较好的抗噪能力,识别效果优于特征脸、Fisher脸以及拉普拉斯脸法．     

A three-dimensional spatio-temporal EEG pattern analyzing system

Spatio-temporal pattern analysis of EEG is an important tool in brain research. An EEG pattern analysis system based on a hierarchical multi-method approach is proposed here. The system consists of multiple steps including extraction of target signal, acquisition of intracranial electric activity distribution, adaptive segmentation of EEG and spatio-temporal pattern recognition. Some modern signal processing methods such as common spatial subspace decomposition, hidden Markov model are adopted. This paper also proposes an algorithm named LORETA-FOCUSS to estimate the current density inside the brain with a high spatial resolution. Microstate analysis of EEG is extended to the 3-D situation. The system was applied to the brain computer interface problem and achieved the highest accuracy of 88.89% with an average accuracy of 81.48% when classifying two imaginary movement tasks, while the data were not manually pre-selected. The result has proved spatio-temporal EEG pattern analysis is an efficient way in brain research.     

独立子空间下的草图人脸合成与识别

基于草图的人脸识别对于公安机关通过目击者描述出的犯罪嫌疑人草图来确定疑犯的身份具有重要的意义.为实现草图人脸识别,从人脸独立特征子空间和人脸形状结构特征出发,提出了一种新的草图人脸合成和识别方法.根据人脸图像在独立分量子空间上的重建,研究了基于独立成分分析(ICA)的草图人脸合成,实现了照片草图人脸转换;针对人脸结构信息在人脸识别中的重要作用,在分析主动形状模型(ASM)算法在提取人脸结构信息上所具有的局限性的基础上,提出了极坐标形状模型(PSM);最后,将合成的草图与待识别草图利用ICA/线性鉴别分别(LDA)和极坐标形状模型进行联合识别.实验结果表明,提出的算法可以有效地将照片转换为草图,并具有较好的识别率,1阶识别率达到94.7%,10阶达到99.1%,将子空间投影与极坐标形状模型联合起来识别,1阶识别率可提高5.3%,前3阶识别率平均提高约4.2%.算法较好的识别率基本上满足了自动草图识别系统的要求.     

非凸段长分布隐含Markov模型的搜索算法

基于段长分布的隐含Markov模型(DDBHMM)可解决经典隐含Markov模型(HMM)的状态段长指数分布的问题,实现了基于凸性假设的搜索。为解决非齐次模型的搜索算法问题,提出采用混合Gauss分布来拟合非凸段长分布,用子状态拆分的方法来实现非凸段长分布DDBHMM识别算法。在音乐信号识别上的实验表明:该方法在召回率提高1.1%的情况下,使准确率提高约10%。该方法实现了非凸段长分布HMM的识别算法,并且对于其他非凸段长信号具有推广价值。