带驻留时间HMM2的Forward-Backward算法

讨论了用状态驻留时间来模型化传统HMM2模型,对传统HMM2的状态转移和输出观测值的Markov假设条件作了改进,在新模型的转移概率和输出观测值的概率中加入驻留时间,并在传统HMM2的基础上定义了新模型的前向-后向变量算法,导出了新模型的前向-后向算法的迭代公式,以及在给定模型λ的条件下,产生观测序列O的概率计算公式.     

小波包变换和隐马尔科夫模型(HMM)在液压系统故障预测中的应用

针对液压系统性能参数的退化特点,提出了一种小波包变换和隐马尔科夫模型(HMM)相结合的液压系统故障预测方法.该方法对采集的振动信号进行小波包变换,提取能量特征,分别使用正常状态,经过轻度退化状态、中度退化态和高度退化态,最终达到故障状态的全过程数据训练HMM,建立性能评估模型,然后进行模式识别,实现液压系统的故障预测.最后,通过试验研究,验证了所提出的方法的可行性和有效性.     

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.     

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.     

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。     

二阶隐马尔科夫模型在基因识别中的应用

对经典隐马尔可夫模型( HMM) 的状态转移和输出观测值的假设条件进行改进,提出了一个基于二阶隐马尔科夫模型(second-order HMM: HMM2)的基因识别系统的模型, 论述了用该模型和扩展的Viterbi 算法发现基因的方法.     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

基于隐马尔可夫模型的协作频谱检测策略

频谱检测是认知无线电的基础和关键技术,将其建模为隐马尔可夫模型(hidden Markov model,HMM),并由此提出基于隐马尔可夫模型的协作频谱检测策略.该策略首先使用Baum-Welch法对HMM的系统参数进行最大似然估计;然后基于HMM模型,利用各次用户的检测信息以及过去信道状态的后验概率信息进行贝叶斯推理,更新当前时隙信道状态的后验概率;最后根据最大后验概率准则对当前时隙的信道状态进行最终判决.使用后验概率,该策略可进一步估计系统协作检测的性能,在满足系统协作检测性能要求的前提下,选择尽可能少的、检测性能较优的次用户来参与协作,以节约开销和降低复杂度.仿真实验表明,所提出的策略的系统检测性能优于基于大数判决、似然比和Chair-Varshney准则的协作频谱检测策略.     

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...     

基于权值选择粒子滤波算法的锂离子电池SOC估计

针对锂离子动力电池的荷电状态(SOC)估计问题,以三元锂(MNC)电池为研究对象,选用Thevenin等效电路模型,建立电池模型的状态方程和观测方程,完成了带遗忘因子的递推最小二乘法(FFRLS)的理论推导。进行电池单体混合动力脉冲功率特性测试(HPPC测试),基于测试数据和FFRLS算法完成电池模型的在线参数辨识,并通过锂离子电池的端电压精度来验证算法的可行性;在此基础上,提出一种权值选择粒子滤波(WSPF)算法来实现锂离子电池SOC估计,该算法中全部粒子都参与粒子滤波过程,但只选择较优权重粒子用于电池状态估计,从而解决粒子滤波的粒子退化问题,提高粒子的多样性。通过HPPC测试和动态工况测试(DST)结果验证,WSPF算法的估计精度能控制在2%以内。与重采样粒子滤波(SIR-PF)算法相比,WSPF算法的估计精度高,鲁棒性好。     

结合视觉显著性与眼跳概率模型的视频注视点序列预测

视觉注意力相关研究中,基于图像的视觉显著图预测研究较多,而针对视频的注视点序列预测研究相对较少.在充分考虑视频场景的动态特征与人眼视觉特性基础上,提出了一种同时利用视频底层与高层特征的注视点序列预测模型.使用隐马尔可夫模型(HMM)对注视点的转移序列进行建模,其中注视点的位置作为隐藏状态.首先,采用卷积神经网络(CNN)获得视频的视觉显著图,并将视频帧的显著值作为HMM的观测概率,表征注视点所在区域所能成功引起人视觉注意的程度;然后,使用视觉心理学中基于莱维飞行的眼跳概率模型对HMM状态的转移概率进行建模;最后,通过维特比算法推断整个视频最有可能产生的注视点序列.在HOLLYWOOD2数据集上进行视频的注视点序列预测实验,并和相关算法进行比较.实验结果表明:本文提出的模型的预测结果在Hausdorff距离与平均欧氏距离两项指标上都更优.     

基于多相关系数分组HMM2的学习算法

目的为了得到一种基于多相关系数分组二阶隐马尔可夫模型(second-or-der HMM:HMM2)的学习算法。方法最大似然准则,Lagrange乘子法。结果给出了在观测噪声和马尔可夫链不相互独立条件下二阶隐马尔可夫模型(second-or-der HMM:HMM2)的结构,获得了在多观测序列不相互独立的情况下HMM2的Baum-Welech学习算法。结论为得到充足数据,以对所有参数可靠估计,必须使用多观测序列。所获算法避免了直接计算条件概率的困难,考虑了训练序列间的相关性,故使计算过程更为便捷,在观测序列分组均匀相关情况下非常有用。     

符号序列的预训练HMM分类方法

隐马尔可夫模型(Hidden Markov Model,HMM)是一种双重随机概率模型,已广泛应用于序列数据建模.针对符号序列分类中距离度量定义的困难,提出一种符号序列的预训练HMM分类新方法 .首先,定义一种基于HMM状态转移矩阵的序列距离新度量;其次,为得到不同序列在HMM隐状态共享条件下的状态转移矩阵,提出一种两阶段的预训练方法,先在所有序列上进行HMM预训练以学习所有序列共享的隐状态,再使用共享状态为每条序列进行训练得到各自的状态转移矩阵;最后用近邻分类器对符号序列进行基于距离的分类.在三个应用领域的真实序列上进行了实验,并与基于子序列、HMM变体模型等现有分类方法进行对比,结果表明,所提出的方法能使用较低的特征维度取得较理想的分类精度.     

基于BP神经网络与隐马尔科夫模型的推荐算法

针对个性化推荐系统中用户偏好的学习与高维稀疏数据处理问题.受到隐马尔可夫模型(HMM)结构特征启发,采用一种考虑上下文的两阶段用户偏好收集推理策略的个性化推荐算法.选择MD算法对系统历史评分信息进行挖掘处理,提取用户偏好分布频繁三项集作为隐含状态,将用户评分项目序列看作观测状态,从而抽象为一个HMM模型,结合BP神经网络进行第一阶段的HMM模型的用户偏好学习与推理.然后根据第一阶段的学习训练生成最优推荐集合.实验结果表明基于HMM的推荐算法比传统推荐算法具有更好的适应性和推荐质量.     

基于数据自组织挖掘的机械设备状态退化预警方法

在设备状态监测过程中引入数据自组织挖掘思想,建立一种设备状态退化预警方法。采用隐马尔科夫模型(HMM)对设备的早期退化状态进行准确辨识和评估,并进一步建立设备退化过程的自组织预测模型。案例分析中将该方法应用到旋转机械轴承运行状态退化的预警过程中。结果表明,基于自组织数据挖掘的设备状态退化趋势预测方法预测效果准确、客观性强,预测值与实际值的拟合程度高,相对误差仅为3.1%。新方法能够预测设备未来时间段的退化状态及其发展趋势,提前给出预警信息,有效地制定预知维修计划,及时采取预防措施,防止因设备突发失效引起非计划停机造成生产和经济损失。     

结合人体运动特征的行为识别

人体运动具有马尔可夫性质,即当前状态只受前一状态的影响.目前为止,用于人体行为识别的隐马尔可夫模型(HMM)大多使用的是全连接结构(Full-Connected structure), 并且没有把状态数目的选取和状态转移条件与人体运动特性间的关系作为研究重点.本文针对这种关系提出了基于"从左到右三状态半连接HMM"的人体行为识别方法,为每个状态的输出概率引入了权重的概念.实验表明,该方法能够在降低运算复杂度的同时,提高行为识别率,从而证明了人体运动特性分析在HAR领域中的应用价值.     

基于PF-GPR算法的锂离子电池剩余使用寿命预测

针对锂离子电池退化过程中不可避免的容量再生现象建立了电池退化模型,提出了融合粒子滤波(PF)和高斯过程回归(GPR)的电池剩余使用寿命(RUL)预测算法。仿真实验结果表明,所提出的算法能够实现准确的锂离子电池RUL预测。     

基于二阶隐马尔可夫模型的新闻分类算法

提出一种基于二阶隐马尔可夫模型(HMM)的新闻分类算法,旨在提取新闻内容中的类别字,构成特征词集合.以该特征词集合作为不同二阶HMM分类器的观察序列,二阶HMM的隐藏状态反映了文档中词语之间的相关性差异,每个状态表示出现在语料库中的词语的相关性水平.实验结果表明,相比k近邻(k NN)、朴素贝叶斯(Naive Bayes)以及支持向量机(SVM)算法,二阶HMM算法的分类表现更显优势.     

基于状态驻留时间的汉语语音分段概率模型

为了解决分段概率模型 (SPM)因缺少对时间信息描述而带来的建模精度低的问题 ,提出了状态驻留分段概率模型 (SDSPM)。SDSPM中包含了用伽玛分布表示的状态驻留概率 ,以刻划语音的时间特征。此驻留概率相当于隐马尔可夫模型 (HMM)中的状态转移概率 ,但使 SDSPM描述语音时间特征的能力强于 HMM。SDSPM既改善了 SPM的模型性能 ,同时又避免了 HMM的计算复杂度问题。测试实验证明了 SDSPM模型在汉语语音识别中的有效性。     

基于隐马尔科夫模型的fMRI脑激活检测

本文介绍了一种基于隐马尔科夫模型(HMM)的分析核磁共振图像(fMRI)数据的无监督学习模型,与一般线性模型(GLM)方法不同,GLM的主要针对体素的血氧水平(BOLD)反应大脑活动的时间序列响应进行建模,而HMM方法主要针对体素在第一个时间序列的演化过程进行建模。因此,HMM方法可以在BOLD信号上发现更多的信息。本文介绍了两种不同的脑激活检测方法,第一种方法基于似然估计和似然估计比检验,其中高斯模型被用来增加HMM似然映射的对比度。第二种方法是基于两个状态的分布之间的定距,其中,对HMM状态序列进行最有效的估计的是Viterbi算法。通过T检验或使用K-L距离(KLD)来测量激两种状态之间是分布距离。