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。

基于自回归–连续隐马尔可夫模型的离心泵故障诊断

根据振动与语音信号的相似性和离心泵故障信号的特点,将连续隐马尔可夫模型引入了离心泵的故障诊断中。利用自回归谱不受数据长度的限制,及自回归模型参数对状态变化规律反映敏感的特点,以信号的12阶自回归谱系数为特征矢量,将其输入到各个状态连续隐马尔可夫进行训练,来实现离心泵的故障诊断。为防止数据下溢,引入前向–后向比例因子算法求其对数似然概率,并且采用K-means算法对连续隐马尔可夫进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum-Welch算法实现参数重估。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。

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。

用于噪声鲁棒性语音识别的子带能量规整感知线性预测系数

为了提高感知线性预测系数(PLP)在噪声环境下的识别性能,使用子带能量偏差减的方法,提出了一种基于子带能量规整的感知线性预测系数(SPNPLP)。PLP有效地集中了语音中的有用信息,在安静环境下自动语音识别系统使用PLP可以取得良好的识别率;但是在噪声环境中其识别性能急剧下降。通过使用能量偏差减的方法对PLP的子带能量进行规整,抑制背景噪声激励,提出了SPNPLP,增强自动语音识别系统在噪声环境下的鲁棒性。在一个语法大小为501的孤立词识别任务和一个大词表连续语音识别任务上做了测试,SPNPLP在这两个任务上,与PLP相比,汉字识别精度分别绝对提升了11.26%和9.2%。实验结果表明SPNPLP比PLP具有更好的噪声鲁棒性。

滚动轴承故障振动信号特征与诊断方法

简述了恒转速条件下滚动轴承故障信号共振解调的优点和基本原理,通过实验和理论分析研究了变转速轴承故障振动信号的特点.指出了轴承损伤点冲击信号的非周期性、轴承共振频率随转速变化的变频特性,以及故障信号的双变频调制特性.建立了由变频转速信号为调制信号、变频共振衰减信号为载波的滚动轴承故障模型.给出了阶比循环平稳自相关函数的计算方法.利用循环平稳分析对旋转机械振动信号的解调功能,结合连续隐马尔可夫模型(CHMM)对动态信号的识别能力,提出了一种适用于变转速运转条件下的滚动轴承故障诊断方法,通过实验验证了方法的可行性.

基于连续隐马尔可夫模型的人脸识别方法

提出了一种基于连续隐马尔可夫模型的人脸图像识别方法,主要内容包括以下方面:①由于奇异值向量具有稳定性、转置不变性等特点,对归一化的人脸图像,采用奇异值分解抽取人脸图像特征作为观察值序列;②在人脸识别中应用连续隐马尔可夫模型,采用双高斯概率密度函数训练、建立HMM模型,再利用建好的HMM模型进行识别。实验结果显示,所提出的方法减少了数据计算量,运行速度快,并提高了识别率,完全满足人脸识别系统实时性要求。

基于CGHMM的轴承故障音频信号诊断方法

轴承音频信号包含其运行状态的重要信息,通过分析这些信息就能对轴承故障进行有效诊断。率先引入基于连续高斯混合密度隐马尔可夫模型的轴承故障音频诊断方法,避免矢量量化带来的数据处理误差,提高了系统诊断精度;引入基于聚类算法的模型参数初始化方法和标定系数的前向-后向算法,简化系统复杂度,加快了训练和诊断速度,进一步提高了诊断精度。实验结果表明,诊断精度达到98.75%,具有很好的应用前景。

基于SRN/HMM的非特定人连续手语识别系统

手语识别是通过计算机提供一种有效而准确的机制将手语翻译成文本或语音.目前最新发展水平的手语识别系统在实际应用中应解决非特定人连续手语问题.提出一种将连续手语识别分解成各孤立词识别的分治方法,用于非特定人连续手语识别.把精简循环网(simple recurrent network,简称SRN)作为连续手语的段边界检测器,把SRN分段结果作为隐马可夫模型(hidden Markov models,简称HMM)框架中的状态输入,在HMM框架里使用网格Viterbi算法搜索出一条最佳手语词路径.实验结果表明,该方法的识别效果比单纯使用HMM要好.

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。

藏语拉萨话大词表连续语音识别声学模型研究

根据藏语的特点,提出藏语拉萨话大词表连续语音识别声学模型,利用高层次的藏语语言知识减少模式匹配的模糊性。以音素和声韵母为声学建模单元,在HTK平台上建立上下文相关的连续隐马尔可夫声学模型,以实现藏语拉萨话特定人大词表连续语音识别。实验结果表明,在最优情况下,该模型词错误率只有7.8%。

基于小波灰度矩向量与连续马尔可夫模型的轴承故障诊断

根据机械设备故障诊断本质特征和连续马尔可夫模型(CHMM)所具有的较强的时序模式分类能力的特点,提出了一种基于小波灰度矩向量与CHMM的滚动轴承故障诊断方法。从轴承振动信号提取一种量纲一的小波灰度矩向量作为特征参数,并训练几种故障状态的CHmm,再运用训练好的CHMM进行轴承的状态监测与故障模式的识别。诊断与对比实验表明该方法在故障样本少的情况下仍能进行准确训练与诊断。

连续字符识别的级联HMM训练算法

用较简洁的模型表达词典中成千上万的词条以及由这些词组成的类别无以计数的句子,是连续手写识别技术要解决的关键问题之一.利用HMM对时间序列的较强的建模能力这一特点,提出了可用于连续字符识别的HMM级联模型;给出了字符HMM模型连接概率和模型间状态转移概率的定义,并通过修正训练算法的重估公式,重估字符模型的连接参数,描述了用于手写体识别的字符HMM的设计方案;给出了级联训练算法重估公式和级联Baum-Welch训练算法描述.将级联方法应用于手写体英文单词的识别,结果表明,级联模型的描述能力与比较系统相比有明显的优势,获得了良好的识别性能.

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。

基于子字单元的维吾尔语语音识别研究

为提高维吾尔语语音识别的识别率,在分析维吾尔语特点的基础上,设计一种基于子字单元的维吾尔语语音识别总体结构,指出维吾尔语单词的发音模型,给出构建子字发音字典的方法,及其以子字单元为基础构建语言模型与声学模型的方法。在一个语音库上进行实验,采用一种非监督的词切分方法对维吾尔语单词进行词切分,生成子字。实验结果表明,基于子字单元的维吾尔语语音识别可以获得更好的识别结果。

均衡化的改进K均值聚类法

为了进行连续马尔可夫模型的初值提取,提出一种各类在训练样本空间近似均衡分布的K均值聚类法。在聚类的过程中引入惩罚因子,从而限制过多的训练矢量集中于一个或几个类,使样本空间划分近似均匀。连续马尔可夫模型初值提取实验证明,该方法与标准的K均值聚类法、LBG(L inde Buzo G ray)聚类法相比,降低了矢量量化产生的全局失真,各个类在样本空间的分布更加均匀,提高了矢量量化的性能。将该方法用于孤立词识别连续马尔可夫模型的初值提取,可使各个高斯概率密度函数的参数估计更逼近其无偏估计,从而提高了马尔可夫模型初值的可靠性。

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。

基于连续隐马尔可夫模型的仿真模型验证

将连续隐马尔科夫模型(CHMM)应用于仿真模型验证研究,在分段提取各可选仿真模型输出特征向量序列的基础上,采用Segmental K-Means算法训练并建立各可选仿真模型的CHMM,进而构建模型库;将实际系统的特征向量序列作用于模型库,依据其概率输出判别各可选仿真模型相对于实际系统的有效性。最后通过实例分析,证明了该方法的有效性。