基于GWO-HMM的空中交通网络流系统态势预测研究

针对空中交通流量管理部门如何更高效地实施流量管理的问题,本文将态势感知理论应用于空中交通网络流系统(ATNFS,air traffic network flow system),建立空中交通网络流系统的运行态势预测模型。首先,给出了空中交通网络流系统的态势感知过程,从节点和航线的角度筛选出航线饱和度、不正常航班率、节点饱和度、节点延误架次比、节点航班取消率5个态势要素,使用态势值作为态势理解的指标;其次,分析隐马尔可夫模型(HMM,hidden Markov model)的优势与不足,建立了基于灰狼优化(GWO,grey wolf optimization)算法和改进隐马尔可夫模型的态势预测模型;最后,使用某空中交通网络流系统的实际运行数据进行算例验证。结果表明,改进后的预测模型相较于原本的隐马尔可夫预测模型精度更高,预测结果更准确。

基于改进HMM的车辆轨迹匹配方法研究

针对传统基于隐马尔可夫模型(HMM)的车辆轨迹匹配算法在复杂特殊路段无法兼备准确率与时间效率的问题,提出了基于改进HMM建模的车辆轨迹匹配方法。在候选路段的确定上通过生成网格索引提高整体检索效率,改进的HMM模型在发射概率的计算上综合航向角因素,考虑车辆速度对航向角造成的偏差影响,并设置经验因子进行调节。同时,考虑前后观测值误差过大及曲线路段等影响因素,采用单位采样间隔内的车辆实际行驶距离代替观测距离值,以保证传递概率计算的准确性。最后,利用实测数据进行试验,验证算法的性能。实验结果表明,所提方法匹配准确率约94.0%,相较于传统HMM轨迹匹配方法提高了2.8%,在提高时间效率及复杂路段的匹配准确度上也具有一定优势,单点匹配时间减少约0.9 ms,适用于交叉路口、立交桥、平行路段等复杂路况下的匹配。

基于EMD-PSO-HMM刀具磨损监控系统

为解决在机械加工过程中刀具的磨损及崩刃对加工质量和效率的影响,通过机器人学习技术,设计一套基于EMD-PSO-HMM刀具磨损监控系统。首先提取不同刀具磨损状态下主轴的电流信号,由于传统小波分析及傅里叶分析在信号分析过程存在一定局限性,文章采用EMD算法对加工过程中主轴电流信号进行不同尺度信号分解并提取特征参数,将提取的特征值输入HMM模型进行训练迭代。为解决HMM模型在模型训练的过程中存在局部最小值的问题,文章引入粒子群算法对HMM模型的输入参数进行全局搜索以达到最优值。基于以上形成的EMD-PSO-HMM刀具磨损监控系统在实际刀具磨损状态评估过程中具有较高的准确性。

基于MFCC和HMM的语音识别优化方法研究

为探究基于梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)和隐马尔可夫模型(Hidden Markov Model,HMM)的语音识别优化方法,首先探讨语音识别系统的基本框架设计,其次分析MFCC特征提取方法,再次引入期望最大化(Expectation Maximization,EM)算法优化HMM参数,最后利用THCHS-30数据集进行实验验证。结果表明,引入EM算法优化HMM,可有效克服传统HMM在复杂语音环境下的识别困难问题,显著提升系统的识别精度和健壮性。

基于HMM-SARIMA模型的选股策略——以沪深300医药行业成分股为例

股票市场变化莫测,股市价格波动比较大,建立科学的模型来分析市场以及股票状态,针对不同的投资策略选择合适的股票组合是有必要的。本文提出了一种基于隐马尔可夫(HMM)模型和时间序列模型的股票状态预测方法,该方法可以有效地分析股票市场的状态,再针对不同的市场状态对股市价格分别进行预测,两种模型相结合的方法能够有效避免市场波动对单一模型预测结果的影响,最后根据模型的预测结果并针对不同的投资策略为投资者选择合适的股票,从而获得更大的收益。以与样本期不交叉的沪深300指数分行业成分股为样本,综合考虑收益和风险因素,为股票池中的每只股票进行打分,选出最优的投资组合,本文的模型在股市行情不稳定的回溯期内取得了很好的收益效果,这说明将HMM模型与时间序列结合的模型具有一定的稳健性。

基于改进HMM模型的变电站二次设备顺控操作自动实现方法

在顺控操作过程中,涉及多个设备和系统之间的信息交互,但信息交互存在延迟,易出现误操作。为此,研究基于改进HMM模型的变电站二次设备顺控操作自动实现方法。首先,利用改进后的HMM模型来获取变电站二次设备的状态信息,对获取的设备状态信息进行状态管理;其次,根据设备状态划分闭锁信号进行顺控预演,决定哪些设备可以或不可以操作;最后,通过设置控制序列,实现二次设备的顺控操作。结果表明,与基于监控系统的自动顺控和基于PLC的自动顺控方法相比,基于改进HMM模型的变电站二次设备顺控操作自动实现方法的误操作率较低,在0.01%~0.05%之间,具有广阔的应用前景。

基于Contourlet子带能量特征多HMM融合的静脉识别

为了准确识别人的身份,该文提出了一种以轮廓波(Contourlet)变换后不同尺度下的子带能量为特征,建立并融合多个隐马尔科夫模型(HMM)的手背静脉识别算法。该算法首先采用了光强可调的近红外阵列光源,通过逐步增加光强来获得手背静脉图像序列;而后,将每一静脉图像进行Contourlet变换,并计算不同尺度下每一子带的能量,以3个尺度下子带能量作为特征观测值建立3个HMM;最后,融合3个HMM计算得到的观测值发生概率,将融合结果与阈值作比较,从而完成静脉识别过程。实验结果表明,提出的算法可以使真实匹配与虚假匹配的区分度最大化,与基于特征点或静脉信息融合的识别算法相比,正确识别率得到了提高。

基于HMM和小波网络模型的抗噪语音识别方法

提出一种隐马尔可夫模型(HMM)和小波神经网络(WNN)混合模型的抗噪语音识别方法。该方法首先利用HMM对语音信号进行时序建模,并计算出待识语音对HMM的输出概率评分,再将此概率评分作为小波神经网络的输入,获取分类识别信息,最后根据混合模型的识别算法作出识别决策。实验结果表明,在噪声环境下,由于HMM的强时序建模能力和小波神经网络的强模式分类能力,该混合模型比单纯HMM具有更强的噪声鲁棒性,明显改善了语音识别系统的性能。

基于SOM和HMM结合的刀具磨损状态监测研究

针对端面铣刀磨损状态的识别问题,提出了基于自组织特征映射神经网络和隐马尔可夫模型结合的方法。该方法对铣削力信号进行预处理和相关特征提取,用自组织特征映射对信号特征矢量进行量化编码,所得码本作为隐马尔可夫模型的输入向量,分别训练三个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行监测与识别。实验结果表明,该方法能够对刀具磨损状态进行准确的识别,对自动化生产具有现实意义。

基于HMM和遗传神经网络的语音识别系统

本文提出了一种基于隐马尔可夫(HMM)和遗传算法优化的反向传播网络(GA-BP)的混合模型语音识别方法。该方法首先利用HMM对语音信号进行时序建模,并计算出语音对HMM的输出概率的评分,将得到的概率评分作为优化后反向传播网络的输入,得到分类识别信息,最后根据混合模型的识别算法作出识别决策。通过Matlab软件对已有的样本数据进行训练和测试。仿真结果表明,由于设计充分利用了HMM时间建模能力强和GA-BP神经网络分类能力强等特点,该混合模型比单纯的HMM具有更强的抗噪性,克服了神经网络的局部最优问题,大大提高了识别的速度,明显改善了语音识别系统的性能。

基于HMM的风电机组齿轮箱故障诊断研究

应用隐马尔科夫模型识别风电机组齿轮箱故障模式,研究振动信号特征提取方法,并根据特征值的敏感程度进行优化选择;应用两种隐马尔科夫模型(HMM)对齿轮箱在不同运行状态下的振动信号进行分析识别,并且对识别结果进行对比。结果表明:隐马尔可夫模型能快速有效地识别齿轮箱中磨损、断齿等故障模式,适用性良好,可应用于实际齿轮箱系统的故障诊断。

基于LDA-HMM的专利技术主题演化趋势分析——以船用柴油机技术为例

如何在专利数据海洋中挖掘技术主题的研究现状、识别具有潜力的研发热点,对企业和国家来说都是至关重要的战略议题。针对目前技术主题演化趋势预测研究中存在的不足:技术创新过程中随机特征的忽视、人工分类的缺陷以及专业术语难以识别等问题,本研究提出一种组合方法,首先使用维特比(Viterbi)算法识别专利文献中的专业术语,其次利用机器学习中的隐含狄利克雷分布(LDA)算法捕捉专利文献中潜在的技术主题聚类,分析各时期技术主题的分布特征和演变规律,然后结合包含双重随机过程的隐马尔可夫模型(HMM)对未来技术趋势进行定量预测,最后以船用柴油机技术为例,应用上述组合方法分析船用柴油机技术的主题分布、演化规律及未来趋势。对比实验显示本文方法具有有效性和实用价值。

采用动态HMM概率分布模型的人眼精确定位

从含有复杂背景的单幅灰度图像中精确定位人眼仍是一个尚未完全解决的复杂问题。为了对图像中的人眼进行精确定位,提出了一种基于动态HMM概率分布模型的人眼精确定位方法,该方法采用了含状态持续时间的动态观测符号概率分布HMM模型,首先用虹膜网格采样方式和特殊的特征提取办法来抽取观测序列;然后通过对观测序列进行评估来控制采样网格大小,并动态修正观测符号概率分布。这样无需对图像进行旋转、缩放和匹配运算,即可对图像中的人眼进行精确定位。实验结果表明,该方法检测效率较高、算法鲁棒,并具有较高的定位精度。

基于HMM-FNN模型的复杂动态手势识别

复杂动态手势识别是利用视频手势进行人机交互的关键问题.提出一种HMM-FNN模型结构.它整合了隐马尔可夫模型对时序数据的建模能力与模糊神经网络的模糊规则构建与推理能力,并将其应用到复杂动态手势的识别中.复杂动态手势具备两大特点:运动特征的可分解性与定义描述的模糊性.针对这两种特性,复杂手势被分解为手形变化、2D平面运动与Z轴方向运动3个子部分,分别利用HMM进行建模,HMM模型对观察子序列的似然概率被作为FNN的模糊隶属度,通过模糊规则推理,最终得到手势的分类类别.HMM-FNN方法将高维手势特征分解为低维子特征序列,降低了模型的复杂度.此外,它还可以充分利用人的经验辅助模型结构的创建与优化.实验表明,该方法是一种有效的复杂动态手势识别方法,并且优于传统的HMM模型方法.

基于BSN和CHMMs的人体日常动作识别方法研究

应用人体传感器网络(body sensor networks,BSN)识别人体日常动作可以有效地提高对老年人、慢性病人,以及术后病人等特殊人群的医疗监护质量.为此建立了一个基于BSN的人体日常动作监督平台,应用采集到的加速度信号识别9个常见的人体日常动作.针对动作识别过程中存在的多传感器数据融合问题,提出一种基于耦合隐马尔可夫模型(coupled hidden Markov models,CHMMs)的动作识别方法.实验结果显示,与已有动作识别方法相比,提出的基于CHMMs的动作识别方法的识别正确率有明显的提高.

基于GEP和Baum-Welch算法训练HMM模型的研究

传统的向前-向后算法或Baum-Welch算法训练HMM的转移概率aij和发射概率ai(ot),使观察序列的O概率恰好达到最大值往往很难,虽然在理论上训练HMM的这两个网络结构是可能的,但仅能保证局部的最大值,而基于全局搜索的基因表达式编程(GEP)的一个主要的特点就是可以高效快速的发现全局最优解。把GEP引入到HMM的训练中去,提出一种改进的训练方法GBHA。实验结果表明,该算法比传统算法的系统效率更高、更稳定。

基于DHMM的轴承故障音频诊断方法

轴承音频信号包含了大量的运行状态信息,与振动信号相比,音频信号的采集是非接触式的,具有使用方便和成本低廉等优势。通过提取机械轴承音频信号的Mel频率倒谱系数(MFCC)特征参数,并使用具有良好识别和抗噪性能的隐马尔可夫模型(HMM)分析轴承运行状态,首次将HMM对音频信号的分析方法应用于故障诊断。为了能够实现对轴承故障的实时诊断,采用计算量较小的离散HMM(DHMM)模型加快训练和识别速度。实验结果表明,该方法对轴承运行状态的识别正确率接近90%,识别时间约为31ms,效果较好,有效可行,具有很好的应用前景。

基于HMM的数据库异常检测系统设计与实现

讨论了一个基于隐马尔可夫模型的数据库异常检测系统HMMADS的设计与实现技术。HMMADS采用VC++6.0与Oracle9i实现。HMMADS可以检测Oracle数据库中所有被审计的数据库用户,并且灵活地实现了两种异常检测方式:离线异常检测和在线异常检测方式。离线异常检测可以灵活地选择任意被审计的数据库用户进行异常检测,在线异常检测采用VC++6.0的多线程技术实现,采用VC++6.0的工作线程实现后台在线异常检测。通过对数据库用户DOLLY进行测试,发现HMMADS能够检测出数据库用户DOLLY的入侵。

基于轮廓特征的HMM手写数字识别

在手写数字识别中,边界链码和环构成了对字符轮廓的完整描述。针对手写数字的特点,建了24种笔划。首先将样本边界链码转化成由24个笔划组成的特征值,再加上环特征,构成整个特征值。然后利用隐马尔可夫模型(HMM)对提取的特征值进行分类识别。首次将字符轮廓特征应用在基于HMM的手写数字识别中,在识别MNIST字库上,取得了92.2%的识别率。

基于HMM方法的银行票据自动识别

利用隐态马尔可夫模型 (HMMs) ,对银行票据中金额的大小写数据识别问题进行了研究 主要内容包括建立新颖的文字分割算法 ;设计HMM训练和识别算法 在HMM系统中 ,将使用频率比较高的手写体错别字和同音字作为不同的字符类来处理 ;同时在HMM的训练过程中 ,提出了平滑参数的新方法 实验结果表明 ,该方法在实践中是可行的 。