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.     

基于隐马尔可夫模型的语音单字识别研究

本文针对线性模型在语音识别中的不足,进行了隐马尔可夫模型(HMM)在语音单字识别中的研究,主要对观察输出概率求解、最佳状态序列寻找、参数估计和模型参数的选择进行了探讨.     

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.     

与观测信息相关的MHMM的参数估计

隐马尔可夫模型(H idden M arkov Models:HMM)是一种具有很好学习能力的统计模型,已在许多领域特别在语音识别领域得到了成功的应用.本文介绍了任一时刻出现的观测矢量的概率不仅依赖于系统当前时刻所处的状态,而且依赖于系统前一时刻出现的观测矢量的前提下,多个不同的隐马尔可夫模型的组合———混合隐马尔可夫模型(M ixture ofHMM:MHMM)的结构,并根据Baum-W elch算法,导出了该模型各个参数估计公式.     

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%.     

n阶隐马尔可夫模型的参数估计

给出了n阶隐马尔可夫模型( HMMn)的定义及结构.在传统的隐马尔可夫模型及二阶隐马尔可夫模型( HMM2)的基础上研究了HMMn的前向、后向算法,Baum-Welch算法,并导出了HMMn在单观测序列和多观测序列培训两种情况下的参数估计公式.     

基于隐马尔可夫模型的舰船辐射噪声目标识别

将隐马尔可夫模型引入到舰船噪声目标识别中。选择MEL频率倒谱及其差值参数作为模型的观察序列,分别采用Baum-Welch算法和Viterbi算法对模型进行训练和识别。对这一模型进行了计算机模拟,并利用潜艇、鱼雷和水面舰3类目标的海上实录噪声对其识别性能进行了测试,正确识别率为87%。实验表明,用隐马尔可夫模型对舰船辐射噪声进行目标识别可以取得较好的效果。     

用矢量量化和隐马尔可夫模型实现英语话句的识别

描述用矢量量化和隐马尔可夫模型实现的英语话句识别系统.采用逐级优化分裂聚类分析获取矢量量化的码本,用平均振幅函数及过零率进行单词切分,用线性预测参数的似然比距离衡量两个矢量差异的大小,使用一阶从左至右的隐马尔可夫模型,用多个输出符号序列进行训练,用Viterbi算法进行识别.用文法分析技术辅助实行识别结果的判定.     

基于隐马尔可夫模型的ATM机用户异常行为识别

提出一种基于隐马尔可夫模型(hidden markov model,HMM)的ATM机异常行为识别方法.对ATM机前用户存(取)款行为的视频序列用Hu变换提取运动目标的行为特征,采用Baum-Welch算法对正常行为训练并建立隐马尔可夫模型,通过模型输出测试样本序列的概率来识别异常行为.用Matlab对ATM机用户运动行为的模拟视频进行实验仿真,结果表明:该方法对ATM机前的用户行为具有较高的识别率.     

用多观察序列训练隐马耳可夫模型的一种通用算法

隐马尔可夫模型（HMM：Hidden Markov Model）是一种具有学习能力的统计模型。HMM在许多领域特别是在语音识别领域得到成功的应用。经典HMM的Baum-Welch算法假设不同的观察序列之间是统计独立的。这与实际情况不符。本文在不附加任何假设的前提下，提出了一种用多观察序列训练HMM的算法，从理论上解决了上述问题，传统的Baum-Welch算法只不过是新算法在观察序列独立假设下的特例。     

基于HMMs和SVM的人体日常动作序列分割识别研究

随着微机电系统(MEMS)研究的精细化,人体传感器网络(简称体感网)技术在医疗监护领域有了长足发展,而人体动作分析与识别是体感网中富有挑战性的研究课题.采用动态隐马尔可夫模型(HMMs)方法对基于用体感网技术的人体动作序列进行了分割,并且对分割精准度进行了度量分析.从实验结果可以看到,动态HMMs方法优于LIR和Top-Down方法,其分割精准度达到了80%以上.对分割后的数据提取均值、方差等特征,采用支持向量机(SVM)方法分类识别的结果表明所提分割方法具有良好的稳健性,平均识别准确率在89%左右,与手动分割接近.     

基于话者分类和HMM的话者自适应语音识别

本文提出了一种基于话者分类和ＨＭＭ的话者自适应语音识别方法，采用对参考话者聚类、并按话者类分别建立ＨＭＭ模板的策略，对于新注册的用户，系统只需利用其极少量的语音，便可将与之最相近的一类模板指派给新用户，再采用基于谱空间映射的两级自适应方法，使系统自适应到用户的模式下工作．这种方法既提高了识别性能，又降低了自适应的难度，还有利于ＨＭＭ的建立．讨论了话者分类数和自适应语音数据对话者自适应效果及识别性能的影响，提出了一种在自适应语音数据不足情况下仍具有较好自适应效果的基于ＦＶＱ的码本自适应改进算法，该算法还具有对自适应字表不敏感的特点．     

基于小波包及隐式马尔科夫模型的局放信号去噪

将基于小波变换的隐式马尔科夫模型(HMM)方法改进并扩展至小波包域，用于去除发电机局部放电信号中的白噪声．采用实测的局部放电信号验证了方法的有效性．结果表明，对比传统的门限去噪算法，基于小波包的HMM方法有更好的去噪效果；而与基于小波变换的HMM方法相比，所建立的模型更能体现信号的特征，对于信号分析乃至进一步的模式识别有着更大的价值．     

Krawtchouk矩在脱机手写汉字识别中的应用

提出一种基于Krawtchouk矩的脱机手写汉字识别方法。与Zernike矩和Legendre矩等连续正交矩特征相比,Krawtchouk矩是数字域的离散正交矩,不存在数字化过程中所带来的近似误差问题,在计算过程中不需要进行坐标转换,而且构造简单,更加适合用来描述数字图像。在此将Krawtchouk矩用于手写大写金额的识别,并在隐马尔可夫模型(HMMs)框架下对其性能进行了测试。实验结果表明,Krawtchouk矩比传统的连续矩更适合用来描述数字图像,识别效果比连续矩有较显著提高。此外,还对不同参数下的Krawtchouk矩性能进行考察。     

Fault Pattern Recognition Based on Hidden Markov Model

Because performance parameters of gear have degradation,a method is proposed to recognize and analyze its faults using the hidden Markov model( HMM). In this method,firstly,the delayed correlation-envelope method is used to extract features from vibration signals. Then,HMMs are trained respectively using data under normal condition,gear root crack condition and gear root breaking condition. Further,the trained HMMs are used in pattern recognition and model assessment. Finally,the results from standard HMM and the proposed method are compared, which shows that the proposed methodology is feasible and effective.     

The Ter mutation in the dead end gene causes germ cell loss and testicular germ cell tumours

In mice, the Ter mutation causes primordial germ cell (PGC) loss in all genetic backgrounds. Ter is also a potent modifier of spontaneous testicular germ cell tumour (TGCT) susceptibility in the 129 family of inbred strains, and markedly increases TGCT incidence in 129-Ter/Ter males. In 129-Ter/Ter mice, some of the remaining PGCs transform into undifferentiated pluripotent embryonal carcinoma cells, and after birth differentiate into various cells and tissues that compose TGCTs. Here, we report the positional cloning of Ter, revealing a point mutation that introduces a termination codon in the mouse orthologue (Dnd1) of the zebrafish dead end (dnd) gene. PGC deficiency is corrected both with bacterial artificial chromosomes that contain Dnd1 and with a Dnd1-encoding transgene. Dnd1 is expressed in fetal gonads during the critical period when TGCTs originate. DND1 has an RNA recognition motif and is most similar to the apobec complementation factor, a component of the cytidine to uridine RNA-editing complex. These results suggest that Ter may adversely affect essential aspects of RNA biology during PGC development. DND1 is the first protein known to have an RNA recognition motif directly implicated as a heritable cause of spontaneous tumorigenesis. TGCT development in the 129-Ter mouse strain models paediatric TGCT in humans. This work will have important implications for our understanding of the genetic control of TGCT pathogenesis and PGC biology.     

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%。     

Hierarchically Clustered HMM for Protein Sequence Motif Extraction with Variable Length

Protein sequence motifs extraction is an important field of bioinformatics since its relevance to the structural analysis. Two major problems are related to this field：（1） searching the motifs within the same protein family; and（2） assuming a window size for the motifs search. This work proposes the Hierarchically Clustered Hidden Markov Model（HC-HMM） approach, which represents the behavior and structure of proteins in terms of a Hidden Markov Model chain and hierarchically clusters each chain by minimizing distance between two given chains＇ structure and behavior. It is well known that HMM can be utilized for clustering, however, methods for clustering on Hidden Markov Models themselves are rarely studied. In this paper, we developed a hierarchical clustering based algorithm for HMMs to discover protein sequence motifs that transcend family boundaries with no assumption on the length of the motif. This paper carefully examines the effectiveness of this approach for motif extraction on 2593 proteins that share no more than 25% sequence identity. Many interesting motifs are generated.Three example motifs generated by the HC-HMM approach are analyzed and visualized with their tertiary structure.We believe the proposed method provides a unique protein sequence motif extraction strategy. The related data mining fields using Hidden Markova Model may also benefit from this clustering on HMM themselves approach.