基于多输入细胞神经网络上下文隐马尔可夫模型的图像融合方法

上下文隐马尔可夫模型(contextual hidden markov model,CHMM)能够有效地利用多尺度系数间的相关性,得到图像系数的精确表示,但是传统的上下文计算方法仅针对邻域内的单个系数进行计算,没有考虑到局部甚至全局系数的影响。针对以上问题,提出了一种新的基于多输入细胞神经网络(multi-input cellular neural network,MCNN)的CHMM模型并用于图像融合。利用MCNN的动态传播效应得到全局优化的上下文变量,并通过网络的迭代循环进一步提高特征提取的准确性和鲁棒性。然后在高频系数上建立CHMM模型,基于系数的细节性采用加权的融合规则得到高频融合子带,低频子带采用基于区域能量取大的融合规则。实验检验了方法的有效性。

基于情绪向量的隐半马尔可夫模型股市拐点预测方法

股市的情绪化倾向是股票市场具有高度不确定性的主要原因,直接利用历史数据的股票趋势预测方法难以适应市场情绪的多变性,在实际应用中效果不理想。文章针对市场情绪的不稳定性导致股市拐点难以预测的问题,提出一种基于情绪向量的隐半马尔可夫模型股市拐点预测方法(hidden semi-Markov model stock turning point prediction method based on sentiment vector,SV-HSMM)。针对市场情绪不可观察性,选取与市场情绪相关的主要特征,使用马尔可夫毯融合成市场情绪;利用隐半马尔可夫模型建模市场环境,构建市场情绪、市场状态和状态持续时间之间的结构关系;引入情绪向量平滑情绪的多变性,并利用Kullback-Leibler(KL)距离量化情绪热度;利用隐半马尔可夫模型的动态推理实现股市拐点预测。结果表明情绪向量方法具有更好的预测效果。

基于隐马尔可夫模型的商品信任值计算

融合用户在线评论文本与评价等级来计算商品信任值是构建社会化商务中信任机制的重要环节。利用长短时神经网络计算出用户评论文本的情感得分值,将其与用户评价等级值相结合得到用户综合评价观测值;利用隐马尔可夫模型建立评价信息和信任程度之间观测状态生成的概率矩阵,计算出不同评价观测值对应的信任程度;计算商品在最信任状态的概率值求和平均后求得商品信任值。结果表明论文提出的模型能有效提高信任计算的准确性。

基于隐马尔可夫模型的火灾风险评估研究

近年来全球气候变化越来越复杂,自然灾害频发,森林防火形式日益严峻,森林火灾风险评估工作越来越重要。为此,基于隐马尔可夫模型(Hidden Markov Model, HMM)提出一种森林火险评估模型。首先构建森林火灾风险指标体系,将其分为气象条件、森林特征以及防火意识和能力3类12个指标,并根据层次分析法计算指标权重。同时,针对HMM模型求解过程中Baum-Welch算法对初始值有较强的依赖性且容易陷入局部最优的问题,提出通过粒子群优化算法搜索全局最优解作为HMM初始值,再使用Baum-Welch算法进行局部校正,使其快速收敛到全局最优解。利用优化前后的2个模型分别对重庆市森林火灾风险数据开展评估,验证优化后的模型能够有效地评估森林火灾风险,并且与改进前相比更精确,可为区域森林防火工作提供有效指导。

基于改进隐马尔可夫模型的无线通信网络入侵检测方法

传统的入侵检测方法对网络环境复杂性和数据流特征的变化容易受到影响,导致效果不佳。文章提出了一种基于改进隐马尔可夫模型的无线通信网络入侵检测方法。引入异常状态转移概率矩阵和动态阈值策略,从而提高入侵检测的准确性和鲁棒性。另外,本文还针对现有模型在处理大量数据时的计算复杂度问题,提出了分组渐进压缩的方法,有效提高检测效率。分析实验结果可知,所提出的方法在无线通信网络中具有较好的入侵检测效果,能够有效地识别恶意攻击并降低误报率。

基于隐半马尔可夫模型的微震信号分割方法

微震监测系统采集到的连续微震信号中往往包含着多种微震事件,为了对各种事件做进一步的分析,如微震事件识别与分类、微震源定位等,对微震信号的分割进行研究是首要前提。针对此问题,提出了一种基于隐半马尔可夫模型(hidden semiMarkov model, HSMM)的微震信号分割方法,该方法将微震信号中有无微震事件发生视为HSMM中的状态转换过程,并考虑状态的持续时间。首先提取预处理后微震信号的香农能量包络作为特征,对应HSMM中的观测序列,然后对训练集信号使用Baum-Welch算法估计出HSMM最优参数,接着使用维特比算法预测待分割微震信号的状态序列,最后基于状态序列完成信号分割。使用来自实验室和隧道开挖工程中的微震数据验证了方法的有效性,对比方法为长短时窗比值(STA/LTA)算法和AIC拾取算法。实验结果表明,不论是初至时刻拾取还是结束时刻拾取,HSMM均取得了最好效果,平均拾取误差分别为5.44 ms和17.70 ms,且初至拾取误差在10 ms及20 ms内的占比分别为79.3%和100%。在对连续微震信号的分割实验中,HSMM的拾取效果也优于STA/LTA算法,初至时刻和结束时刻的平均拾取误差分别为3.55 ms和27.11 ms,优于STA/LTA算法的4.00 ms和167.88 ms。

基于混合高 斯-隐马尔可夫模型的驾驶意图识别方法研究

驾驶意图的准确识别,能为车辆轨迹预测和行驶风险评估提供有力的理论支撑。首先,提取大量车辆轨迹数据,通过拼接重构方法得到同时包含3类驾驶意图的轨迹数据;其次,以车辆横向速度、加速度以及偏移量作为驾驶意图的表征参数,构建基于混合高斯—隐马尔可夫模型的驾驶意图识别方法,并通过对比不同识别窗口长度得到:窗口长度为2 s时总体精度最高;然后,为避免单点误判对模型精度的影响,设计1种多点识别的修正方法,对驾驶意图结果进一步修正,多次测试发现以连续3帧作为观察窗口时修正效果最好,驾驶意图的识别率高达98.84%。研究成果能应用于轨迹预测和风险评估中,进而为道路交通安全性的提高起到一定的推动作用。

改进的隐马尔可夫模型股票价格预测分析

本文基于隐马尔可夫模型(HMM),选取上证指数近10年的历史数据(开盘价、最高价、最低价和收盘价)进行实证分析,得出HMM模型在股票预测方面具有一定的可行性。同时,通过对传统HMM模型的输入和预测方法进行改进,对股票价格变化作出了更加准确的预测。主要步骤为:1) 数据处理。对股票价格序列进行检验并做处理,以股价波动率作为HMM模型的输入。2) 根据池化信息准则(AIC)和贝叶斯信息准则(BIC)固定最佳隐状态数目,并通过训练模型确定参数。3) 预测。相较于传统HMM模型根据股票价格序列直接得到预测数据,改进后的HMM模型则通过股价波动率计算后得出的预测得到了进一步提升。Based on the Hidden Markov Model (HMM), this paper selects the historical data of the Shanghai Composite Index in the past 10 years (opening price, high price, low price and closing price) for empirical analysis, and concludes that the HMM model has certain feasibility in stock prediction. At the same time, through the improvement of the input and prediction methods of the traditional HMM model, more accurate predictions are made for stock price changes. The main steps are: 1) Data processing. The stock price series is tested and processed, and the stock price volatility is used as the input to the HMM model. 2) The number of optimal hidden states is fixed according to the Pooling Information Criterion (AIC) and Bayesian Information Criterion (BIC), and the parameters are determined by training the model. 3) Forecasting. Compared with the traditional HMM model, which directly obtains the forecast data based on the stock price series, the improved HMM model further improves the prediction obtained by calculating the stock price volatility.

基于隐马尔可夫模型的海上施工通航风险动态评价

针对静态评价方法难以准确描述海上施工通航风险动态演变的问题,利用马尔可夫原理,将海上施工通航风险状态划分为时间序列的状态转移过程,构建了基于马尔可夫过程的风险评价模型,对海上施工通航风险进行动态评价预测。研究结果表明:基于马尔可夫过程的风险评价模型可表征作业水域不同时刻通航风险的时序变化趋势,较好地反映海上施工的通航风险变化情况,提高风险评价的实时性和有效性。

基于隐马尔可夫模型的医院通信网络DDoS攻击检测方法

常规的医院通信网络DDoS攻击检测矩阵结构一般设定为独立形式,致使攻击检测范围的扩大受到限制,进而一定程度上导致DDoS攻击检测召回率下降。针对上述问题,文章提出了一种基于隐马尔可夫模型的医院通信网络DDoS攻击检测方法。该方法根据当前的测定需求及标准对DDoS攻击进行特征提取,采用多目标的方式设计检测矩阵,解析DDoS攻击方向具体位置以及攻击的范围。在此基础上,构建隐马尔可夫医院通信网络DDoS攻击检测模型,采用多元识别+组合处理的方式来实现DDoS攻击的检测目标。测试结果表明:采用本文所设计的方法,DDoS攻击检测召回率可以达到80%以上,对于医院通信网络的攻击检测效率更高,泛化能力明显提升,具有实际的应用价值。

基于隐马尔可夫模型的SQL注入攻击行为检测

为分析恶意用户对Web系统的攻击行为,提出基于隐马尔可夫模型(Hidden Markov Model, HMM)的SQL注入攻击检测方法。利用HMM模型对隐状态的描述能力完善Web用户行为模型,该方法能够基于自定义日志做出SQL注入的预测而无须捕捉用户提交的敏感信息,采用概率分析和偏离度分析的方法,得到用户SQL注入可能性的综合评价,从而发现潜在威胁,提升对目标Web应用的攻击检测能力。此外采用K-means和FCM两种方法对比实验,验证了所提出的方法在Web系统SQL注入攻击检测中的有效性。

基于上下文和隐类属的小波域马尔可夫随机场SAR图像分割

该文针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像含有大量的乘性斑点噪声的特点,提出了一种小波域隐类属的马尔可夫随机场(Markov Random Field,MRF)图像分割算法来抑制噪声的影响。考虑到小波的聚集性和持续性,该算法重新构造了待分图像小波域模型——以类属为隐状态的混合长拖尾模型,将隐类属的马尔可夫随机场推广到小波域上,并用改进的上下文模型估计尺度间转移概率,最后推导出了新的最大后验(Maximum A Posteriori,MAP)分割公式。仿真结果证明,该算法具有鲁棒性能够有效地抑制噪声对图像的影响,得到准确的分割结果。

基于隐马尔科夫模型的上下文感知活动计算

为了推理移动用户在智能空间的活动,提出了基于隐马尔科夫模型的上下文感知活动计算.首先按照上下文的定义,采用元组方法表示移动用户和智能空间,然后根据活动理论基本构成元素和面向客体活动原理来描述用户活动和智能空间的状态变化,最后引用隐马尔科夫模型建立起用户活动与智能空间状态变化之间的联系,从而实现活动计算.该模型可以完整地描述活动分解为动作的过程,还可以根据每种活动的动作链标记用户活动数据,却不需要用户直接参与数据的标记.将该模型的动作状态数与上下文感知经验采样工具(ESM)的动作状态数进行比较,结果表明该模型的平均活动识别准确度比ESM高25%.

基于超状态隐马尔可夫模型的智能电能表非侵入式故障远程检定

存在故障或误差的智能电能表不仅给电网企业带来经济损失,而且其中的安全隐患容易影响电网的稳定运行,尤其是对成分复杂的智能电网体系。针对这一问题,提出一种基于超状态隐马尔可夫模型(Super-State Hidden Markov Model,SSHMM)对故障电能表进行非侵入式远程检测与定位。该方法不仅能发现已经出现故障的电能表,还可以对最有可能出现故障的电能表进行估计,为电网企业的运营管理提供参考,在真实数据集上的实验结果验证了该方法的有效性与稳定性。

陀螺电机轴承健康评估隐马尔可夫模型适应性设计

陀螺电机的轴承一般采用小体积、高精度的角接触球轴承,其健康状况无法通过外观检查、计量等方法检测,故障具有隐蔽性、潜伏性,当故障发生时,将直接影响陀螺的精度及寿命,故需提前对潜在故障进行识别。基于电机定子电流评估的基本原理,选取若干定子电流特征参数用于故障诊断;基于隐马尔可夫模型(HMM)的基本原理,对其进行适应性设计,根据特征参数的特点,提出局部、全局线性归一化方案,并设计适用于多特征参数的模型参数求解算法、轴承健康评估算法。实例验证表明,通过对HMM的适应性设计,健康轴承、故障轴承对应HMM的模型参数正确收敛,健康评估模型成功建立;使用该模型对已知健康、故障的6块电机轴承进行健康评估,可迅速、准确获得评估结果,准确率为100%。

基于前馈隐马尔可夫模型的机器人演示轨迹精准重构方法研究

针对隐马尔可夫模型在机器人演示轨迹编码过程中存在的参数估计效率低,轨迹重构精度差的问题,提出了一种基于前馈隐马尔可夫模型的机器人演示学习方法。该方法通过林德-布佐-格雷(LBG)算法对采集的多条演示轨迹进行关键点识别,利用最小失真准则选取合适的轨迹计算模型初始化参数,结合鲍姆-韦尔奇算法完成模型参数估计。在此基础上,通过维特比算法计算每个样本点最可能的归属状态,并采用极大似然估计对归属每个状态的样本点重新计算状态参数,最后通过高斯混合回归获得重构轨迹。为验证算法的有效性,设计了手写字母轨迹数据集和晶圆机械臂自动上料轨迹的演示学习实验,并引入平均弗雷歇距离定量评估轨迹重构精度。实验结果表明:采用本文所提方法的重构轨迹在晶圆机械臂自动上料轨迹中的平均弗雷歇距离为5.49,较传统方法提升了15.15%的轨迹重构精度,具有良好的应用前景。

基于隐马尔可夫模型的时空轨迹语义匹配方法

时空轨迹数据关联的语义信息能更好地反映用户行为,对于POI密集分布的城市区域,轨迹的语义信息很难根据单一的距离或时间要素进行匹配,该文设计一种基于隐马尔可夫模型(HMM)的时空轨迹语义匹配方法。首先,利用时间阈值与距离阈值提取逗留点,并利用考虑时间的DBSCAN聚类方法对逗留点进行聚类,得到由抽象停留位置构成的轨迹;然后,结合POI数据获得停留位置的候选语义,再以停留位置序列为观测序列,以每个停留位置所关联的候选地点作为隐藏状态建立HMM,并用改进的加权距离的TF-IDF方法计算HMM的观测概率;最后,解算HMM得到最有可能的访问地点序列作为轨迹的语义匹配结果。该方法不依赖其他外部数据或训练数据,适用于POI密集分布的城市区域,基于真实时空轨迹数据集的实验结果验证了该方法的有效性。

改进连续隐马尔可夫模型的有杆抽油故障诊断

利用人工智能诊断有杆抽油系统故障时,描述工况的示功图成为机器学习的对象,提取示功图特征和建立诊断模型是主要步骤。已有的依据阀门工作位置的几何特征未能直接反映示功图的面积,因此提出一组改进的训练特征,并采用连续隐马尔可夫模型(CHMM)建立诊断模型。为了使参数的初始化更可靠,使用与混合高斯模型相关联的K-means聚类算法。将本文提出的诊断方法用于真实油井的示功图集进行测试,结果表明,本文方法不仅有效,而且改进的训练特征和建模方法都提高了诊断的准确率。

基于隐马尔可夫模型的电压暂降发生时间预测

通过电能质量监测系统(power quality monitoring system,PQMS)中蕴含的电网历史故障变化、趋势等重要信息,对未来电压暂降进行预测,可为用户和电网公司合理规划生产,避免经济损失提供有力帮助。该文提出一种基于隐马尔可夫模型的电压暂降发生时间(occurrence time of voltage sag,OTVS)预测方法。首先对电压暂降发生时间的变量可预测性、数据冗余性、事件混沌性进行分析,揭示电压暂降监测数据特性;然后针对这三种特性,提出基于模糊C-均值聚类算法(fuzzy C-means algorithm,FCMA)和赤池信息准则(Akaike information criterion,AIC)的电压暂降历史状态识别与划分方法,以区间型变量刻画监测数据中的历史变化信息;建立考虑暂降历史变化信息和电网扰动变化信息的隐马尔可夫模型,实现对未来电压暂降的预测。最后,利用中部某省10个监测点的历史数据进行验证,所提方法的预测准确率最高可达92.85%,所提方法的预测性能较其他典型预测方法约高5%~30%。

基于改进隐马尔可夫模型的输电线路覆冰厚度概率预测

针对输电线路覆冰过程复杂的特征因素,以及确定性预测难以为电网管理者提供覆冰事故更为全面的预测信息的问题,本文提出了一种基于隐马尔可夫模型的输电线路覆冰厚度概率预测模型。该方法不依赖任何严格意义上的假设,并且基于真实输电线路覆冰实数据驱动。首先,给出了改进隐马尔可夫模型的理论及其基础问题求解方法的推导过程。通过对输电线路覆冰厚度及气象因素进行分级得到模型建立所需的状态空间与观测空间。最后,基于实测线路覆冰监测数据,对检测区间内发生的4次覆冰增长进行了交叉预测分析,给出了两种计算方式下的确定性预测值与不同置信度下的覆冰厚度预测区间。同时,引入支持向量机模型进行确定性预测结果的分析对比。结果显示,本文提出模型的概率预测结果拥有良好的锐度与可靠性,确定性预测结果拥有较强的预测性能表现。