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DNN-HMM的蒙古语声学模型结构实验研究

DNN-HMM作为语音识别中的一种混合建模技术,由深度神经网络和隐马尔可夫模型组成。在使用蒙古语语料库构建DNN-HMM声学模型的过程中,为了研究DNN-HMM结构对蒙古语声学建模的影响以及蒙古语语料库规模与DNN-HMM声学模型结构的关系,通过设计DNN-HMM声学模型中DNN的结构,该文提出Rectangle DNN-HMM、Trapezoid DNN-HMM、Polygon DNN-HMM和Hourglass DNN-HMM四种结构的DNNHMM声学模型,并以Kaldi实验平台为基础进行实验,选取音素作为建模单元,使用三种规模的蒙古语语料库分别构建四种结构的DNN-HMM声学模型。深度结构和宽度结构实验结果表明,深度为6层的Polygon DNNHMM结构适合蒙古语声学模型建模;随着语料库规模的增大,通过适当增加声学模型的宽度,可以使声学模型的每一层都能学习到更丰富的语音特征,提高语音识别的准确率。

基于HMM的低空目标航迹威胁识别

稳健的低空目标威胁识别是低空域安全防护的重要任务。传统的多属性决策方法对目标运动参数的量测精度要求较高,忽略了目标运动的时序关联信息,在实际应用中缺乏噪声稳健性和动态分析能力。因此,在多属性决策方法的基础上引入了隐马尔可夫模型,提出了一种动态稳健的低空目标威胁等级识别方法。通过建立隐状态与威胁等级、威胁数值之间的内在联系,将威胁识别问题转化为隐马尔可夫模型的状态解码问题。相比于常规算法,所提方法能够有效地抑制量测噪声干扰并具有一定的威胁预测能力。仿真实验验证了所提方法的有效性和稳健性。

基于HMM的远动联调语音多层次背景噪音滤除模型

构建基于HMM的远动联调语音多层次背景噪音滤除模型,多层次滤除远动联调语音背景噪音,确保远动联调工作顺利完成。在远动联调语音识别阶段,输入提取到远动联调语音信号MFCC特征,使用改进Viterbi递推解码算法,获取远动联调语音MFCC特征与参数库中HMM参数相对应的概率密度,将概率密度最大值在远动联调语音字库中对应的字当作有效远动联调语音识别结果,完成背景噪音与无效语音数据初步滤除;在此基础上,使用平移不变小波去噪方法深度滤除有效远动联调语音背景噪音,完成远动联调语音多层次背景噪音滤除。实验结果表明:该方法应用后,背景噪音滤除较为彻底,保证远动联调语音语义准确性较高。

多重防护机制下LNG动力船风险态势分析方法

为探讨多重防护机制下的液化天然气(Liquefied Natural Gas,LNG)动力船营运风险特征,提出了一种基于复杂性控制系统作用模式的风险态势分析方法。从系统控制过程视角,采用系统控制过程分析方法(System-Theoretic Process Analysis,STPA)确立LNG动力船系统安全控制的风险致因,揭示基于LNG泄漏三重防护机制的风险因子体系和风险形成机制;引入隐马尔可夫模型(Hidden Markov Model,HMM),进行无监督学习并确立模型参数,推理多重防护机制下的LNG动力船风险转移特征;结合LNG动力船营运的具体场景,对三重防护机制分别进行仿真并统计风险态势。仿真结果表明,三重防护机制在降低LNG动力船营运风险态势方面具有因子诱导的针对性,在防漏因子、止漏因子和治漏因子诱导下LNG动力船分别趋向一般风险状态、较高风险状态和高风险状态。基于复杂性控制系统作用模式的风险态势分析可为LNG动力船营运的安全控制和风险管理提供管控模式和手段。

智慧城市时空大数据平台建设与实践——以宜兴市为例

在新一代信息技术与城市现代化的深度融合下,智慧城市的建设显得尤为重要。城市时空大数据平台是智慧城市的基础支撑。目前的智慧城市普遍存在时空数据单一、数据更新周期长、信息孤岛现象严重等问题。智慧宜兴时空大数据平台建设项目构建统一的时空基准,将各类信息资源集中于一体,引入基于HMM模型的中文地名地址引擎构建技术,并提出一种基于深度学习的电子地图快速更新方法。该平台可为用户提供大量的时空数据和分析服务,具有明显的社会效益和推广价值,为创建“智慧宜兴”奠定了坚实的基础。

基于IL-HMMs预测模型的地下水埋深预测研究

以西北干旱典型县域磴口县为研究区,基于增量学习的改进隐马尔可夫预测模型(IL-HMMs),对区域地下水埋深进行了预测研究。为检验IL-HMMs模型预测效果,将模型预测结果与2013年长观井的实测数据进行了比较;同时为检验模型的优劣性,与未经增量学习的隐马尔可夫模型(HMMs)、加权马尔可夫链(WMCP)和BP神经网络(BP neural network,BPNN)预测模型的预测结果进行了比较。结果表明:与其他几种预测模型相比,IL-HMMs模型预测精度显著提高,误差更小,有较好的鲁棒性。并使用IL-HMMs模型对2018年地下水埋深进行了预测,预测结果表明,2018年地下水年平均埋深略有增加、局部区域地下水埋深增量加剧。基于IL-HMMs模型的地下水埋深预测具有很好稳定性的同时对新数据加入又有很好的鲁棒性,可为地下水埋深动态预测提供思路与方法补充,为区域地下水资源开发利用和保护提供重要依据。

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HMM的步态身份识别

随着生物识别悄然兴起,生物识别技术逐渐成为新的身份识别技术。步态识别是生物特征识别技术的一个新兴子领域。文章就是将隐马尔可夫模型(HMM,HiddenMarkovModel)方法运用在步态身份识别中,并进行了其识别性能的研究。该文给出了一个基于HMM的步态身份识别方案,并进行了图像预处理,HMM参数训练和识别的研究,得出了一些有意义的结论。同时在中国科学院自动化研究所提供的CASIA步态数据库上进行了步态身份识别实验,实验结果表明:在侧面视角下采用此方法,具有较好的识别率。

基于HMM在电机故障诊断上的研究

提出一种基于隐马尔可夫模型的方法用于故障的诊断与检测,该方法采用HMM与模式识别相结合的方法,通过对电机的电压电流信号进行特征提取和分析,构建电压电流空间模型,并且每个模型可以作为一级,每一级可以提高其判断的准确度,而HMM模型用做一个故障分类器来使用,相比于自适应模糊推理方法(MLFF)和多层前馈网络法(ANFIS),其准度有了很大提高,并且减少了计算。通过对不同故障诊断实例阐述了基于HMM的故障诊断方法的有效性和可行性。

基于目标散射中心和HMM分类的多视角雷达目标识别方法

根据高分辨雷达目标的简单散射点模型 ,提出用Relax算法从雷达回波提取目标强散射点分布的位置信息作为目标识别的物理特征 ,用隐马尔可夫模型表征多视角雷达回波序列 ,实现飞机类目标识别的方法 .实测数据的计算机仿真表明 ,对训练数据段 ,仿真可以指示飞机的姿态 ,方位识别平均正确率为 96 .77% ,类平均正确识别率为99.80 % ;当测试数据取自没有训练过飞行数据段时 ,两种情况的类平均正确识别率分别为 81.2 5 %和 89.87% .

基于HMM的人工心理建模方法研究

提出一种基于HMM的人工情感模型。该模型将人类的情感过程视为两层随机过程,通过调整模型的初始参数,能够构建具有不同性格特征的心理模型;同时它作为情感引擎,能以概率的形式预测情感过程的最终结果。系统运行结果表明由该模型产生的情感反应真实、自然。

基于连续高斯密度混合HMM的滚动轴承故障诊断研究

滚动轴承在直升机的传动系统中占有十分重要的地位,对其进行快速有效的状态监测与故障诊断具有重大意义。由故障诊断和隐马尔可夫模型(HiddenMarkovModel,HMM)本质上的相通性,利用连续高斯密度混合隐马尔可夫模型分析滚动轴承的振动信号,先以基于短时傅里叶变换的倒谱系数为特征训练模型,再利用模型进行状态监测和故障诊断,实验结果表明该方法能利用少量样本进行训练和有效诊断,且具有训练时间短、诊断速度快的优点。

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。

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 。

基于AR-连续HMM的故障诊断模型及应用

在状态监测与故障诊断中,被测设备的状态一般不能直接观察到,要通过测量被测设备的表现来感知,这和隐马尔可夫模型(HMM)在本质是相通的。因此可以利用连续高斯密度混合HMM分析被测设备的振动信号,首先以AR模型系数为特征,研究不同状态数与不同混合高斯数对HMM模型分类的影响,再利用较优的状态数与混合高斯数HMM模型进行状态监测和故障诊断,诊断与对比实验结果表明该方法能利用少量样本进行训练和有效诊断。