基于HMM的下肢表面肌电信号模式识别的研究

采用隐马尔科夫(HMM)的信号分类识别方法,用以实现下肢步态中各细分动作的更好识别和描述。首先将待分类的肌电信号进行预处理,按等时间间隔对每通道的肌电信号划分不同的段,采用小波变换方法对每个数据段内肌电信号进行多尺度分解,并提取小波分解系数的奇异值构成观察值序列。将步态周期的四种运动模式与HMM状态一一对应,用Baum-Welch算法对HMM参数进行重估训练,再用标定技术处理的前向后向算法和Viterbi算法进行识别,得到的平均识别率高于90%。然后在四种运动模式中分别提取小波特征组成特征编码,送入概率神经网络(PNN)中进行识别。证明HMM的识别效果优于概率神经网络,能够更好地应用于假肢的控制研究。

基于多特征序列融合的负荷辨识方法

针对当前利用低频采样实现非侵入式负荷辨识存在的准确率低的问题,提出了基于多特征序列融合的负荷辨识方法。该方法首先建立负荷存在可能性的整数规划模型,进行初辨识以降低负荷辨识的维度。然后,根据滑动窗口算法获得组合功率序列和原始功率序列,提取其统计特征和奇异值特征,进而利用概率神经网络获得隐马尔可夫模型的观测值序列。同时,利用隐马尔可夫模型对负荷序列信息进行融合,计算观测序列和组合功率序列之间的相似度,从而完成在低频采样下的负荷辨识,并获得各个家用负荷的耗电量。最后,通过单负荷辨识、多负荷辨识、不同采样率辨识和各居民用户负荷辨识的仿真实验,得到负荷准确率和辨识精度的平均值均在85%以上,证明了所提算法的合理性和即时性能够达到在低频采样下负荷的辨识要求。

基于HMM校正与神经网络延拓的EMD端点效应抑制方法

针对神经网络延拓方法在抑制经验模态分解的端点效应时存在的延拓数据与真实数据往往存在误差的问题,提出了一种基于HMM校正的方法来减小预测延拓数据误差。首先利用径向基函数(RBF)神经网络预测估计方法对部分原始数据进行估计,同时对端点外数据进行预测。然后计算该方法估计的数据与真实数据的误差序列,再用HMM方法建立估计误差序列模型,用以预测延拓后数据的误差。最后用RBF神经网络延拓数据减去HMM预测的误差数据得到新的校正后延拓数据。仿真与实验证明了将HMM预测方法与RBF神经网络数据延拓结合应用到解决端点效应的过程中所得到的延拓数据更接近真实数据,能够更好地解决端点效应问题,提高了经验模态分解精度。

一种基于DSmT和HMM的序列飞机目标识别算法

针对姿态多变化的飞机自动目标识别中的低识别率问题,提出了一种基于DSm T(Dezert-Smarandache theory)与隐马尔可夫模型(Hidden Markov model,HMM)的飞机多特征序列信息融合识别算法(Multiple features and sequential information fusion,MFSIF).其创新性在于将单幅图像的多特征信息融合识别和序列图像信息融合识别进行有机结合.首先,对图像进行二值化预处理,并提取目标的Hu矩和轮廓局部奇异值特征;然后,利用概率神经网络(Probabilistic neural networks,PNN)构造基本信度赋值(Basic belief assignment,BBA);接着,利用DSm T对该图像的不同特征进行融合,从而获得HMM的观察值序列;再接着,利用隐马尔可夫模型对飞机序列信息融合,计算观察值序列与各隐马尔可夫模型之间的相似度,从而实现姿态多变化的飞机目标自动识别;最后,通过仿真实验,验证了该算法在飞机姿态发生较大变化时,依然可以获得较高的正确识别率,同时在实时性方面也可以满足飞机目标识别的要求.另外,在飞机序列发生连续遮挡帧数τ≤6的情况下,也具有较高的飞机目标正确识别率.

基于特征降维和改进PNN的车牌识别技术

为实现复杂光照及存在遮挡和污损等情况下车牌识别,提出基于隐马尔可夫特征降维和改进概率神经网络的车牌字符快速精确识别算法,算法通过非负矩阵分解对描述字符特征的高维隐马尔可夫特征进行降维,以消除高维特征矩阵信息冗余并提高特征描述准确性,通过择取代表性样本参与PNN训练,以提高算法的分类精确性,减少硬件性能需求。对比实验结果表明,算法在保持原有统计特征分类识别性能的条件下,显著减少了运行时间,提高了识别准确率。

基于HMM和PNN的语音情感识别研究

语音情感识别是从语音的角度赋予计算机理解情感特征的能力,最终使计算机能像人一样进行自然、亲切和生动的交互。提出了一种融合隐马尔科夫模型(hidden mark-ov model,HMM)和概率神经网络(probabilistic neural network,PNN)的语音情感识别方法。在所设计情感识别系统中,提取出基本的韵律参数和频谱参数,利用PNN处理声学参数的统计特征,利用HMM处理声学参数的时序特征,运用加法规则和乘法规则融合了统计特征和时序特征的识别结果。实验结果显示,所提出的算法在语音情感识别中具有有效的识别能力。

基于一种新证据组合和HMM的飞机目标识别方法

考虑到可能的姿势多变化和飞机在飞行轨迹上外观的不同,图像的单一特征或图像的多特征融合传统方法在自动飞机识别变为无效。提出一种有效的算法,从一组连续图像中解决AAR的问题,称为SMF-ATR2,其利用了基于马尔科夫的序贯融合加上隐马尔可夫模型的方法,以达到多个特征融合(SMF-ATR1使用D-S理论加上HMM的融合方法)。

基于EMD-HMM的故障诊断模型及应用

提出了基于经验模式分解(EMD)和隐马尔科夫模型(HMM)的故障诊断模型,为通过设备状态监测数据分析进行基于状态维修和维修决策提供了一种新途径.为了消除EMD的端点效应,使用神经网络拟合延拓原始数据序列端点极值,并通过定义序列复杂度来定性地确定延拓极点数.进一步,采用分解所得的固有模态(IMF)能谱熵作为HMM分类系统的输入,得到一种设备故障诊断方案.通过数值仿真和发动机故障诊断验证了该方法的有效性.