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。     

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%。     

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。     

基于Baum-Welch算法HMM模型的孤词算法研究

介绍了隐Markov模型原理,它是用来描述含有未知参数的Markov过程,是描述随机过程统计特性的概率模型。在此基础上,设计了基于HMM模型的孤词检测实验,通过优化实验模型,采用Baum-Welch算法解决HMM模型的训练问题,找到HMM模型估计参数λ值,这在数学角度上等价于其他线性预测系数。此实验在减少不必要的HMM训练的同时,降低了算法复杂程度。为了测试Baum-Welch算法的有效性,进行了数据仿真实验,结果表明该算法是有效的。     

改进的小波变换HMM语音识别算法

语音识别系统的识别率十分依赖基于Hidden Markov Models(HMM)模型的训练技术.然而,经典的训练算法(Baum-Welch算法)有一个致命的缺陷,即所得最终解依赖于初始值的选取,只得局部最优解,这就影响了系统的最终识别率.针对传统语音识别系统识别率较低的现状,提出了一种改进的小波变换HMM语音识别算法.该算法首先通过小波变换对原始语音信号进行了降噪处理,然后使用语音样本对利用遗传算法改进后的HMM模型进行训练,并用于语音识别.实验结果表明:所提出的算法实用有效,识别率显著提高.     

基于改进HMM的驾驶疲劳险态识别方法

驾驶疲劳的产生是渐进的动态生成过程,基于隐马尔可夫模型(hidden Markov model,HMM)的相关研究需首先确定模型训练初值,且训练过程易陷入局部最优.基于此,通过在HMM训练过程中引入粒子群优化(particle swarm optimization,PSO)算法对训练过程存在的上述问题进行了改进,并结合驾驶疲劳状态典型数据集对所提出的改进方法和前向后向算法(forward-backward(BW)algorithm)进行了详细对比.实验及分析测试结果表明,所提出的改进方法在驾驶疲劳预测结果准确性和稳定性上都优于BW算法.     

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。     

基于改进蚁群算法的HMM参数估计

针对隐马尔可夫模型(HMM)的传统参数估计方法容易陷入局部最优,对初始参数值要求较高且会出现过耦合现象,为了提高模型的鲁棒性和识别性能,提出一种基于改进蚁群算法的HMM参数训练估算法(HMM-ACO).该算法根据信息素的变化实现全局搜索,较好地解决了迭代算法易发生的局部陷阱问题.与其他全局优化算法相比,该算法识别精度有较大提高.实验表明,利用HMM-ACO算法训练的隐马尔可夫模型具有较好的分类识别性能.     

HMM识别孤立词的研究与实现

本文介绍了隐式 Markov 模型(简称 HMM)识别语音的基本原理,对在训练孤立词模型过程中采用的 Baum-Welch 算法和 Viterbi 算法进行了研究,导出了参数估计的整套算式,提出了解决 HMM 在计算机上实现时出现的问题的方法及其实现算式。作者将 HMM 应用于汉语数字的识别,进行了不同算法的比较和不同初值条件的试验,给出了相应的识别结果。     

基于改进MMI的HMM训练算法及其在面部表情识别中的应用

提出一种改进的最大互信息(MMI)准则函数并把它应用于隐马尔可夫模型(HMM)的参数估计,重新推导了HMM的迭代公式. 该准则函数相对于原来准则函数定义更为合理,能有效利用训练样本集中的鉴别信息,使得训练数据得到充分利用,提高了HMM的性能. 把这种改进的HMM算法应用于面部表情识别,利用改进的光流算法提取面部表情特征向量序列,并利用改进HMM算法和BP神经网络构建了面部表情混合分类器. 实验结果表明了该方法能有效提高面部表情识别率,有效解决HMM参数估计问题.     

The Reconstructing of Low Signal-noise Ratio Single Ion Channel Signal from Patch-clamp Recordings Sampled in the Colored Background Noise

The single ion channel signal is an ionic current that can be recorded by the patch clamp technique. Hidden Markov model(HMM)algorithm has been used to convert the low signal-noise ra-tio (SNR) noisy recording into an idealized quantal one in the case of white background noise. The traditional HMM algorithm is extended and adapted to the colored background noise.A new algorithm called EHMM (Extended HMM) algorithm is proposed,and mainly validated by simulati-on.Results show that it's effective.     

二阶隐马尔可夫模型及其在计算语言学中的应用

介绍了在观测噪声和马尔可夫链不相互独立的条件下改进的隐马尔可夫模型(HMM)的结构．在传统的隐马尔可夫模型的基础上研究了改进模型的Baum-Welch算法，并导出了改进模型的参数估计公式．     

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.     

基于模拟退火算法与隐马尔可夫模型的Web信息抽取

典型隐马尔可夫模型对初始参数非常敏感,采用随机参数训练隐马尔可夫模型时常陷入局部最优,应用于W eb信息抽取时效果不佳.文中提出基于模拟退火算法与隐马尔可夫模型的W eb信息抽取算法.通过实验比较选择最佳的模拟退火算法参数,结合Baum-W elch算法优化隐马尔可夫模型并应用于W eb信息抽取.实验结果表明新算法在信息抽取的精确率和召回率都有明显的提高.     

基于遗传算法自适应建立HMM的静脉识别算法

为了准确地对人的身份进行识别,利用图像中脉络延伸方向与脉络间位置的相互联系,将隐马尔科夫模型(HMM)应用于识别系统中,提出了一种基于遗传算法自适应建立HMM的静脉识别算法.图像经预处理后得到静脉的骨架信息,将细化后的静脉图像进行Radon变换,每一静脉对象可表示为一个HMM;对于已知确定的训练样本库,利用遗传算法自适应调整HMM参数,使所有测试图像的观测序列在真实匹配模型中发生的概率值远远大于其在虚假匹配模型中发生的概率值,提高了不同静脉对象的区分度.实验表明,该算法具有较高的正确识别率,并具有良好的实时性.     

HMM语音识别模型与一种修正训练算法

本文在统一的框架下描述了隐马尔柯夫模型（ＨＭＭ）用于语音识别时的各种形式，包括离散ＨＭＭ、连续混合密度ＨＭＭ、半连续ＨＭＭ和最大分量连续ＨＭＭ等，指出各种模型均是统一形式下的导出形式。文中就离散ＨＭＭ、连续混合密度ＨＭＭ和最大分量连续ＨＭＭ在非特定人全音节汉语语音识别中的应用，从识别率和复杂度两方面进行了性能比较。为提高最大分量连续ＨＭＭ的识别性能；提出了一种修正的训练算法。     

基于改进的PSO和HMM的Web信息抽取算法

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应用中模型参数极易陷入局部最优的问题,提出了一种基于改进的粒子群优化算法的隐马尔可夫模型参数优化模型,用于Web信息抽取.以似然概率值作为适应度函数,使用改进的粒子群优化算法结合Baum-Welch算法对HMM模型参数进行全局优化,实现了Web页面信息的抽取.实验结果表明,该算法在精确率和时间等指标上与现有算法相比具有更好的性能.     

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.     

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.