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。

消除溢出问题的精确Baum-Welch算法

Baum- Welch算法是在语音领域中用于 HMM( hidden Markov model)模型参数训练的最基本方法之一 .但它在多样本训练时存在着严重的上、下溢问题 ,需要不断地人工介入来调整中间参数 .该文提出了一种新的能消除上、下溢问题的 Baum- Welch改进算法 .该算法不但摆脱了人工介入 ,保证了计算的精度 ,而且不会带来过大的计算和存储要求 .

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。

多观测序列HMM2的Baum-Welch算法

介绍了在观测噪声和马尔可夫链不相互独立的条件下二阶隐马尔可夫模型(second- order HMM:HMM2)的结构.研究了在多观测序列不相互独立的情况下HMM2的学习算法,并由此导出了该模型的参数重估公式.

混合隐马尔可夫模型Baum-Welch算法的改进

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混合隐马尔可夫模型的结构.并研究了新模型的Baum-Welch算法,导出了该模型各个参数估计公式.

基于马尔科夫的计算机网络缓存侧信道攻击检测方法

计算机网络缓存侧信道能够间接体现计算机内部状态以及数据传输情况,其受攻击时,用户端信息数据存在泄露风险,因此提出一种基于马尔科夫的计算机网络缓存侧信道攻击检测方法。构建隐马尔科夫模型,对计算机网络缓存侧信道状态改变的概率进行计算。通过Baum‐Welch算法估计隐马尔科夫模型最优参数,并计算缓存侧信道状态观测序列输出概率。比较缓存侧信道观测序列输出概率与设定的阈值,判断该序列为计算机网络缓存侧信道攻击信号的可能性,并引入平均信息熵判断计算机缓存侧信道状态是否存在异常,完成计算机网络缓存侧信道攻击检测。通过实验验证得出,该方法用于计算机网络缓存侧信道攻击检测的准确率高,误报率低,在遭受DDoS攻击(Distributed denial of service)时的检测时间较短,对计算机网络缓存侧信道攻击的防御与保护产生了积极影响。

基于隐半马尔可夫模型的微震信号分割方法

微震监测系统采集到的连续微震信号中往往包含着多种微震事件,为了对各种事件做进一步的分析,如微震事件识别与分类、微震源定位等,对微震信号的分割进行研究是首要前提。针对此问题,提出了一种基于隐半马尔可夫模型(hidden semiMarkov model, HSMM)的微震信号分割方法,该方法将微震信号中有无微震事件发生视为HSMM中的状态转换过程,并考虑状态的持续时间。首先提取预处理后微震信号的香农能量包络作为特征,对应HSMM中的观测序列,然后对训练集信号使用Baum-Welch算法估计出HSMM最优参数,接着使用维特比算法预测待分割微震信号的状态序列,最后基于状态序列完成信号分割。使用来自实验室和隧道开挖工程中的微震数据验证了方法的有效性,对比方法为长短时窗比值(STA/LTA)算法和AIC拾取算法。实验结果表明,不论是初至时刻拾取还是结束时刻拾取,HSMM均取得了最好效果,平均拾取误差分别为5.44 ms和17.70 ms,且初至拾取误差在10 ms及20 ms内的占比分别为79.3%和100%。在对连续微震信号的分割实验中,HSMM的拾取效果也优于STA/LTA算法,初至时刻和结束时刻的平均拾取误差分别为3.55 ms和27.11 ms,优于STA/LTA算法的4.00 ms和167.88 ms。

基于DGA和HMM的小样本变压器故障诊断算法

针对基于油中溶解气体分析(DGA)的变压器故障诊断方法需要大量训练样本,而实际应用中缺乏样本的问题,提出在小样本情况下一种应用基于DGA和隐马尔科夫模型(HMM)的变压器故障诊断算法。该算法利用DGA提取变压器的故障特征,使用HMM作为变压器故障诊断分类器,并对HMM模型的训练算法进行改进,引入比例因子和多观测序列。试验结果表明:使用公开数据集IEC TC 10作为变压器故障数据集,将本算法与常用于小样本情况的SVM、决策树算法相比较,本算法的变压器故障诊断正确率更高。

城市道路车辆行为识别方法研究

为了提高城市道路驾驶的安全性,提出一种基于混合高斯隐马尔科夫模型的城市道路车辆行为识别方法。首先通过仿真平台获取城市三车道道路场景的车辆运动轨迹信息和车辆信息并对其进行数据处理和特征提取,选取目标车辆车头中心与初始所在车道右侧车道线的距离,以及目标车辆纵向和横向速度作为特征参数,再通过鲍姆-韦尔奇算法对模型参数进行训练迭代更新,最后结合前后向算法实现城市道路车辆行为的识别。仿真结果表明,采用混合高斯隐马尔科夫模型对城市道路车辆行为进行识别具有较高的精度。

基于IPSO-FHMM的非侵入式负荷分解

非侵入式负荷分解是智能用电系统的一个重要环节,可深入分析用户的用电信息,对负荷预测、需求侧管理及电网安全有重要意义.本文提出了一种基于改进粒子群优化因子隐马尔可夫模型(IPSO-FHMM)的非侵入式负荷分解方法.利用高斯混合模型(GMM)对单负荷进行状态聚类,总负载模型由因子隐马尔可夫模型表示.针对Baum-Welch算法容易收敛于局部极值的问题,将线性递减权重的粒子群优化算法引入到FHMM的参数训练中.使用AMPds2数据集进行仿真实验,结果表明,该模型可以有效地提高分解精度.

船舶光纤通信系统的安全态势预测模型

为确保光纤通信系统稳定运行,设计舰船光纤通信系统的安全态势预测模型,以提升安全态势预测效果。离散化处理连续型舰船通信系统数据,组建离散型观测样本集合;通过隐马尔可夫模型,依据离散型观测样本集合,建立安全态势预测模型;利用Baum-Welch学习算法,确定安全态势预测模型参数;通过Viterbi算法,计算威胁维指数、运行维指数、脆弱维指数的概率向量;以转置矩阵与概率向量相乘的方式,得到安全态势预测结果。实验证明:该模型可有效离散化连续型数据,并确定安全态势预测模型参数;该模型可精准预测舰船光纤通信系统的安全态势。

嵌入式盲人手机语音识别与控制系统设计

针对盲人与低视力患者群体，提出并设计了一种基于非特定人语音识别技术的嵌入式盲人手机音控系统：系统采用AD1836A为语音信号采集单元、Blackifn533DSP为语音信息处理单元核心，通过建立连续隐马尔可夫模型（CHMM）、选取美尔频率倒谱系数（MFCC）为语音特征参数，采用Baum-Welch算法及最小误差分类（MCE）方法改进HMM模型参数，设计实现了包含10个数字（0～9）和25条语音指令的全语音手机控制平台，并通过指令分级识别方式大大提高了语音指令的整体识别率。

多观察序列连续隐含马尔柯夫模型的无溢出参数重估

在语音识别系统的HMM模型训练阶段 ,由于Baum Welch算法中前向概率和后向概率包含大量连乘项 ,计算结果数值会越来越小 ,以致产生溢出 .在单观察序列情况下采用定标技术可以妥善地解决溢出问题 .在多观察序列情况下 ,则会引入各序列对HMM的输出概率作为修正系数 ,其数值很小 ,溢出问题仍存在 .本文分析了溢出问题产生的原因 ,针对多观察序列的情况 ,将优化目标函数由输出概率的连乘改为对数累加和形式 ,推导出一套改进的Baum Welch算法。该算法降低了HMM参数重估算法的计算复杂度 ,提高了稳定性 。

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.

混合遗传算法和隐马尔可夫模型的Web信息抽取

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。提出了一种使用遗传算法优化HMM模型参数的Web信息抽取混合算法。该算法使用实数矩阵编码表示染色体,似然概率值为适应度取值,将GA与Baum-Welch算法相结合对HMM模型参数进行全局优化,并且调整GA-HMM的Baum-Welch算法参数实现Web信息抽取。实验结果表明,新的算法在精确度和召回率指标上比传统HMM具有更好的性能。

一种基于SDTS的HMM训练算法

用传统的BW算法训练语音识别系统的HMM需要大量的语音数据。本文在假设声学模型系统的子空间捆绑结构(SDTS)为己知的前提下,提出了一种新的训练算法,可以有效地减少系统对训练数据的需求。理论分析和仿真表明,与传统的BW算法比较,新的训练算法(IBW)可压缩模型参数15倍,从而可大量地减少训练数据。尽管新算法要用到系统的先验知识,但它还是显示了许多优越性。

基于改进隐马尔科夫模型的鲁棒用户行为识别

提出了一种基于改进隐马尔科夫模型的用户行为识别方法.采用遗传算法用于优化隐马尔科夫模型的初始参数,将混沌算子代替遗传算法中高斯变异算子,以避免传统遗传算法在收敛过程中的停滞和早熟问题,并有效解决传统隐马尔科夫模型中Baum-Welch算法对初始参数敏感的问题.此外,采用UCI中ADLs数据对用户行为进行识别,实验结果表明该方法具有很高的识别率和可靠性.

基于隐马尔可夫模型的语音激活检测算法

针对现有基于隐马尔可夫模型(HMM)的语音激活检测(VAD)算法对噪声的跟踪性能不佳的问题,提出采用Baum-Welch算法对具有不同特性的噪声进行训练,并生成相应噪声模型,建立噪声库的方法。在语音激活检测时,根据待测语音背景噪声的不同,动态地匹配噪声库中的噪声模型;同时,为了适应语音信号的实时处理,降低了语音参数提取的复杂度,并对判决阈值提出改进,以保证语音信号帧间的相关性。在不同噪声环境下对改进算法进行性能测试并与自适应多速率编码(AMR)标准、国际电信联盟电信标准分局(ITU-T)的G.729B标准比较,测试结果表明,改进算法在实时语音信号处理中能够有效提高检测的准确率及噪声跟踪能力。

基于PCA和HMM的心音自动识别系统

针对信号识别率高低由识别模型及特征参数决定的特点,提出融合K均值聚类的多观察序列的Baum-Welch参数重估算法,用于训练隐马尔科夫模型(HMM),通过主分量分析(PCA)对梅尔频率倒谱系数进行变换,并设计与实现一套基于PCA和HMM的心音自动识别系统。实验结果表明,该系统对6类常见心音的平均识别率达到83.3%,性能优于其他心音识别系统。

与观测信息相关的二阶隐马尔可夫模型的参数估计

给出了在观测噪声和马尔可夫链不相互独立的条件下与观测信息相关的二阶隐马尔可夫模型的结构及改进模型的前向后向算法与Baum-Welch算法,并导出了改进模型的参数估计公式.