广义隐Markov模型在基因识别中的应用

广义隐Markov模型(GHMM)是基因识别的一种重要模型,但是其计算量比传统的隐Markov模型大得多,以至于不能直 接在基因识别中使用。根据原核生物基因的结构特点,提出了一种高效的简化算法,其计算量是序列长度的线性函数。在此 基础上,构建了针对原核生物基因的识别程序GeneMiner,对实际数据的测试表明,此算法是有效的。

Hilbert-全矢HMM轴承剩余寿命预测

由于旋转机械工矿复杂,传统的诊断预测方法往往用单通道信息采集,不仅包含大量噪声而且易造成有效信息的缺失,而且例如神经网络等预测方法需要大量的训练样本,不能对故障进行及时有效的诊断和预测。结合隐马尔科夫链(HMM)训练样本少,识别精度高以及全矢信息融合技术克服单通道信息采集不全的优点。提出基于Hilbert-全矢HMM预测方法,首先对双通道信号、分别进行Hilbert包络解调去除噪声,对处理后的、信号进行全矢融合提取主振矢,采用趋势向聚类方法对主振矢信号进行聚类分析,利用GHMM模型与每一类的匹配度作为识别预测结果。并通过对轴承内圈剩余寿命的预测进行验证,其预测精度达到90.64%,表明该方法的有效性。

基于广义隐马尔可夫模型的网页信息抽取方法

针对网页所特有的基于版面结构的特点,利用基于视觉的网页分割算法VIPS对网页分块,得到一种新的状态转移序列,取代了传统的状态转移序列。通过二阶Markov链改进广义隐马尔可夫模型(GHMM)的状态转移和输出观测值假设条件,提出了二阶的广义隐马尔可夫模型。最后通过实验说明改进的GHMM对于网页信息抽取有很高的精确率。

基于隐式马尔可夫链的基因发现模型和算法

探讨了隐式马尔可夫链在基因发现中的应用。提出了一个基于GHMM（泛化的隐式马尔可夫链）的基因发现系统的简化的模型，论述了用该模型和扩展的Viterbi 算法发现基因的方法，介绍了用于描述编码区和非编码区及信号的模型和实现。

机床相对动柔度劣化趋势预测研究

在机床的连续使用过程中,其相对动柔度第一阶固有频率、最大相对动柔度、平均相对动柔度和品质系数COM均会发生不同程度的改变,因此,对机床相对动柔度劣化趋势进行预测研究就具有非常重要的意义。然而,由于机床相对激振实验会影响机床的正常使用,很难获取大量的机床相对动柔度数据。为解决实验数据的小样本问题,采用广义隐马尔科夫模型(Generalized Hidden Markov Model,GHMM)以及重心法进行机床相对动柔度劣化趋势研究。结果表明:和隐马尔科夫模型(Hidden Markov Model,HMM)相比,GHMM具有更高的预测精度,可以很好地解决小样本问题;各个评价指标的准确预测,可以大大减少复杂的相对激振实验次数,快速地得到机床相对动柔度劣化趋势。

一类广义隐马尔科夫模型的建模与参数估计(英文)

隐马尔科夫模型在很多方面已有广泛应用 .讨论了一类更为一般的模型 ,这类模型由WojciechPieczynski首次提出 ,并且给出了在图像识别中的应用 .这里首次给出在离散观测和离散状态下该模型的精确数学描述 ,其中包括建模、状态估计和参数估计 。