Optimal state and branch sequence based parameter estimation of continuous hidden Markov model

A parameter estimation algorithm of the continuous hidden Markov model isintroduced and the rigorous proof of its convergence is also included. The algorithm uses theViterbi algorithm instead of K-means clustering used in the segmental K-means algorithm to determineoptimal state and branch sequences. Based on the optimal sequence, parameters are estimated withmaximum-likelihood as objective functions. Comparisons with the traditional Baum-Welch and segmentalK-means algorithms on various aspects, such as optimal objectives and fundamentals, are made. Allthree algorithms are applied to face recognition. Results indicate that the proposed algorithm canreduce training time with comparable recognition rate and it is least sensitive to the training set.So its average performance exceeds the other two.

基于CHMM的齿轮箱状态识别研究

针对离散隐Markov模型(HMM)在状态识别中的不足,结合齿轮箱全寿命实验数据,研究了基于连续隐Markov模型(CHMM)的状态识别方法。建立了基于齿轮箱原始振动信号的CHMM状态识别框架,提出了基于K均值算法和交叉验证相结合的状态数优化方法,通过计算待确定观测数据的极大似然概率值来确定齿轮箱当前状态。结果表明,用原始振动信号作为CHMM的输入可以实现状态识别,验证了模型的有效性,为齿轮箱基于状态的维修提供了科学依据。

基于CHMM的轴承性能退化程度综合评估方法研究

针对传统轴承性能退化评估方法中退化阶段划分的主观性以及连续隐马尔科夫模型在建立评估模型时只考虑正常状态下的样本所引起评估结果的不足,提出了一种基于连续隐马尔科夫模型的轴承性能退化程度综合评估方法。该方法首先通过支持向量聚类方法将轴承全寿命周期划分成若干个退化阶段,然后从每个阶段中提取一定比例的样本用于训练,采用轴承正常阶段的训练样本建立轴承的连续隐马尔科夫模型,将不同退化阶段的训练样本输入模型,分别得到不同阶段样本相对于所建立正常阶段的连续隐马尔科夫模型的输出概率,据此得到样本隶属于不同退化阶段的隶属函数分布。最后,采用集对分析的方法建立轴承测试样本相对于正常阶段样本的联系度,并最终得到轴承性能退化程度的综合得分。通过利用轴承全寿命数据,并与传统连续隐马尔科夫模型及传统无量纲指标进行了对比,验证了所提出的综合评估方法在轴承性能退化评估方面的有效性。

基于DPMM-CHMM的机械设备性能退化评估研究

针对传统的HMM模型状态数必须预先设定的不足,提出了一种基于DPMM-CHMM的机械设备性能退化评估方法。该方法利用DPMM模型的自动聚类功能,实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合CHMM良好的分析和建模能力,得到设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估,并利用滚动轴承全寿命数据进行了应用研究。结果表明,该方法可以有效地识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。

基于HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。

基于CHMMs的自适应行为识别方法

针对基于传感器的行为识别系统中通道数据缺失问题,采用耦合隐马尔可夫模型提出了一个多传感器数据融合的自适应行为识别方法,该方法充分挖掘了不同传感器之间数据的关联性和人体行为中身体不同部位之间的协作性。实验分析了站立、行走、坐、躺四种行为,结果表明该方法的识别率在84%以上,并且与其他相关方法相比,具有较高的识别率和自适应能力。

基于GMM-CHMM的城市道路换道行为识别

高级驾驶辅助系统(ADAS)是提高车内乘员安全性的主动安全系统之一,将车载参数和车辆位置参数相结合,提出一种能够应用到ADAS的城市道路换道行为识别模型.在西安城市道路环境中进行实验,采集18位驾驶员的9个车载实时参数数据,以及前后车辆间的相对速度、相对距离、相对角度,提取412个换道行为单元和824个车道保持行为单元,共88992条数据.运用数理统计方法分析表明,方向盘转角、转向角速度、相对安全距离比在换道行为和车道保持行为之间有显著性差异,在这3个特征参数的基础上,建立混合了高斯混合模型(GMM)和连续型隐马尔可夫模型(CHMM)的识别模型,用部分样本对模型效能评价.结果表明,混合模型对换道行为的识别精度为93.6%,具有良好的识别效果,可以很好地应用到ADAS.

基于连续隐Markov模型的发酵过程关键状态变量软测量

针对生物发酵过程中一些关键状态变量难以用仪表进行在线检测的问题,提出了一种基于连续隐Markov模型(CHMM)的软测量方法.首先,为增加模型预测的鲁棒性,采用多观测样本序列训练CHMM模型库,运用Baum-Welch参数重估修正公式实现CHMM参数优化;然后,将新样本观测向量输入训练好的CHMM模型库,并基于Viterbi算法计算新样本在模型库中各个CHMM内的输出概率;最后,通过加权平均运算得出软测量结果.将所提出的方法应用于红霉素发酵过程菌体质量浓度软测量,并进行了建模与仿真研究.结果表明:所建CHMM软测量模型能够很好地用于生物发酵过程菌体质量浓度值预测,且预测效果优于人工神经网络软测量模型.

基于流形学习和隐Markov模型的故障诊断

为实现旋转机械故障诊断的自动化与高精度,提出基于正交邻域保持嵌入和连续隐Markov模型的模型诊断方法。将活动件故障振动信号进行经验模式分解并构造Shannon熵得到高维特征向量,利用正交邻域保持嵌入将高维特征向量约简为低维特征向量,并输入到各个状态连续隐Markov链进行旋转机械的故障模式识别。通过深沟球轴承故障诊断实例验证了该模型的有效性。

基于CHMM和SSA-SVM模型的高速铁路道岔设备健康状态评估方法

为更加精准地评估道岔设备健康状态,加强对设备的维护与管理,以ZDJ9型转辙机驱动的高速铁路道岔设备为研究对象,提取道岔功率曲线的时域、频域特征指标及经验模态分解奇异值熵,组成道岔特征指标向量,并采用核主成分分析法消除原始多维特征信息的冗余,构建道岔特征指标样本数据库;利用连续隐马尔可夫模型划分道岔退化状态,在此基础上,建立麻雀搜索算法优化支持向量机的健康状态综合评估模型。研究结果表明:所构建的健康状态评估模型的评估正确率高达98.75%,不仅能够实现高铁道岔设备健康状态综合评估效能,而且明显优于GridSearch-SVM、GA-SVM、PSO-SVM等组合算法,为实现道岔设备由“故障修”到“状态修”的综合智能维护提供可行途径。

CHMM在设备故障诊断和预测中的应用研究

有效的故障诊断和预测是在工业中大范围推广基于状态维修的先决条件。提出了利用连续隐马尔可夫模型对设备实施故障诊断和预测(剩余寿命预测)的方法和步骤。研究了模型的设计和训练方法。最后,滚动轴承振动实验台数据分析验证了方法的有效性。

基于密度与距离参数的CHMM声学模型初值估计

在语音识别中,连续型隐马尔可夫模型(CHMM)在初始化时采用分段K-means算法,但该算法会导致模型参数收敛于局部最优。针对该问题,提出基于密度和距离参数的CHMM模型初始化算法。计算数据对象的距离和密度参数,选择密度值较大而同时距离较远的数据对象作为初始聚类中心,对其进行K-means聚类处理,得到最终的聚类中心,根据聚类中心初始化CHMM模型的参数。实验结果表明,与随机取值算法相比,该算法提高了语音的识别率。

基于混合模型CHMM和MLP的数码语音识别系统

针对传统的CHMM应用于语音识别系统存在的缺点,提出了一种由CHMM和MLP网构成的混合模型。该混合模型将MLP网引入到CHMM中来计算每个状态的输出概率,通过MLP网的非线性预测能力代替CHMM中的似然估计值对输出概率进行分析、分类,从而加强和提高CHMM的语音识别能力。实验结果表明,将该混合模型应用到语音识别系统中,其识别效果明显优于基于传统的CHMM的识别系统。

基于PCA和CHMM的音频自动分类

针对DHMM分类器对音频特征进行向量量化引起的误差及特征维数过多导致计算复杂度过大的问题,提出了一种新的基于PCA和CHMM的音频自动分类方法。它先将音频特征组成一个高维向量,然后使用PCA对这些高维向量进行降维,再使用CHMM分类器对降维后的特征进行分类。实验证明了PCA和CHMM音频分类的有效性。

PCA+CHMM在设备性能退化状态识别中的应用研究

为了准确识别机械设备当前所处的退化状态,研究了一种基于PCA(主成分分析)和CHMM(连续型隐马尔可夫模型)结合的性能退化状态识别方法。首先提取设备振动信号全寿命周期的时域、频域、时频域的特征,经过初步筛选后组成新的特征集,使用PCA方法对其进行降维处理;然后利用降维后的数据,训练一个全寿命周期CHMM用来确定退化状态数目,再针对每个退化状态训练一个CHMM,通过比较观测序列处于各个模型下的似然概率值判断设备当前所处的退化状态;最后通过实验对比了PCA+CHMM和PCA+SVM、PCA+KNN、PCA+CART方法的各退化状态识别准确率,结果表明PCA+CHMM的平均识别准确率最高、识别效果较好,适用于设备退化状态的识别。

CHMM和AR模型在轴承性能退化评估与预测中的应用

经典的故障诊断技术可对系统运行状态进行实时评估,但在实际应用中更希望预知故障的发生以便对人身、经济安全做出保障。轴承作为机械设备的关键部件,其损坏会造成严重的工程事故,因此需对轴承进行故障诊断。文中引入连续隐马尔可夫模型以对数似然数作为评估指标来评估性能退化,即利用基于模型输出的对数似然率结合自回归模型对轴承进行性能退化预测。为了更好地验证方法有效性,文中使用了两组全寿命数据互为对比。结果显示,使用基于连续隐马尔可夫模型的轴承性能退化评估法对轴承性能的退化进行评估效果良好,自回归模型在寿命预测上得到了较为精准的结果。

基于连续隐Markov模型的理论线损率预测研究

提出一种基于连续隐马尔可夫模型的理论线损率预测方法,运用Baum-Welch参数重估修正公式实现CHMM参数优化,建立CHMM模型。依据CHMM模型概率输出判别各可选仿真模型相对于实际系统的有效性。结果表明,该模型运行速度快,在理论线损率预测中有更高的精度。

一种基于SCHMM的手语识别方法

手语识别的研究具有重大的学术价值和广泛的应用前景。在近些年的手语识别工作中,隐马尔科夫模型(HiddenMarkov Models,简称HMMs)起到了重要的作用。基于HMM的统计框架是当前动态识别领域的主流方法,同时也是该文的研究工作的理论基础。提出将半连续隐马尔科夫模型(SCHMM)用于手语识别,在理论上证明了SCHMM优于离散隐马尔科夫模型(DHMM)和连续隐马尔科夫模型(CHMM),可以避开DHMM中因矢量量化造成的信息损失,在保证识别率的前提下降低模型的复杂性和运算量。

基于K均值/SCHMM多级分类的手语识别

本文提出了一种具有多级分类的手语识别方法,该方法采用K-均值/SCHMM(半连续隐马尔可夫模型)多级分类方法。在第一级中采用K-均值方法进行全局粗略搜索,划定目标词的大体范围。在第二级中,待识别的手语词特征与该范围内每一个手语词的SCHMM做运算,计算概率最大的为识别结果。实验结果表明,与采用单级的SCHMM识别器相比,在保持识别率基本相同的前提下,该方法能使识别速度提高近45%。

基于ABC-BW优化CHMM的风机齿轮箱故障诊断

提出一种将人工蜂群算法(Artificial Bee Colony Algorithm,ABC)与Baum-Welch算法结合的连续隐马尔科夫模型(Continuous Hidden Markov Model,CHMM)并将其应用于风力发电机齿轮箱故障诊断。首先利用小波包分解与重构提取信号频带能量作为特征向量;将正常及各故障状态的训练样本特征作为模型观测值输入CHMM模型与优化模型进行训练,最后将各个检验样本特征输入各状态模型中进行对比,得到待测样本在训练模型中的输出概率,将其作为故障诊断的评判依据。