基于二阶隐马尔科夫模型的云服务QoS满意度预测

随着云计算相关技术的迅速发展,云服务组件的QoS预测成为云计算中一个重要的研究课题。实现对QoS值的准确预测是该领域的研究难点。QoS常用来衡量不同云服务组件的性能,基于不同候选组件的QoS值,可以容易地选出最优的组件。对于同一个云服务组件,不同的用户提供的QoS值并不一定相同。针对不同的用户,有个性化的组件QoS值才能进行准确的选择。如果用户的QoS不能由单一的云服务组件满足,则应该考虑组件组合,在这种情况下,需要预测其QoS能力,以保证用户需求得到满足。文中设计了云服务组件的QoS满意预测模型,该模型使用二阶隐马尔科夫模型构建QoS满意度预测模型,通过考虑前两个状态对当前状态的影响,能够有效提高预测精度。最后,通过所构建的原型系统和具有2507个真实Web服务的QWS数据集,并应用Matlab仿真环境验证了所提方法的有效性。

二阶隐马尔科夫模型在基因识别中的应用

对经典隐马尔可夫模型(HMM)的状态转移和输出观测值的假设条件进行改进,提出了一个基于二阶隐马尔科夫模型(second-order HMM:HMM2)的基因识别系统的模型,论述了用该模型和扩展的Viterbi算法发现基因的方法.

DNA序列的二阶隐马尔科夫模型分类

隐马尔可夫模型是对DNA序列建模的一种简单且有效的模型,实际应用中通常采用一阶隐马尔可夫模型.然而,由于其一阶无后效性的特点,一阶隐马尔科夫模型无法表示非相邻碱基间的依赖关系,从而导致序列中一些有用统计特征的丢失.本文在分析DNA序列特有的生物学构造的基础上,提出一种用于DNA序列分类的二阶隐马尔可夫模型,该模型继承了一阶隐马尔可夫模型的优点,充分表达了蕴涵在DNA序列中的生物学统计特征,使得新模型具有明确的生物学意义.基于新模型,提出一种DNA序列的贝叶斯分类新方法,并在实际DNA序列上进行了实验验证.实验结果表明,由于二阶隐马尔可夫模型充分反映了DNA序列碱基间的结构信息,新方法有效地提高了序列的分类精度.

二阶离散隐马尔科夫模型的严格定义及等价性质

隐马氏模型作为一种具有双重随机过程的统计模型,具有可靠的概率统计理论基础和强有力的数学结构,已被广泛应用于语音识别、生物序列分析、金融数据分析等领域.由于传统的一阶隐马氏模型无法表示更远状态距离间的依赖关系,就可能会忽略很多有用的统计特征,故有人提出二阶隐马氏模型的概念,但此概念并不严格.本文给出二阶离散隐马尔科夫模型的严格定义,并研究了二阶离散隐马尔科夫模型的两个等价性质.

基于模拟退火算法和二阶HMM的Web信息抽取

针对传统隐马尔科夫模型对初值敏感和未考虑历史状态的问题,提出了使用模拟退火算法训练二阶隐马尔科夫模型参数的SA-HMM2。在基于SA-HMM2的Web信息抽取方法中,采用基于视觉的网页分割算法VIPS对网页分块得到状态转移序列,利用提出的SA-HMM2训练算法获取HMM2全局最优模型参数,用改进的Viterbi算法实现了Web信息的抽取。实验结果表明,该方法在平均综合值方面比HMM、GA-HMM分别提高约21%和7%。

基于HMM2的时间序列凝聚聚类算法

为弥补传统的基于隐Markov模型在前提假设上的不足,提出了二阶隐马尔可夫模型。在研究二阶隐马尔可夫模型和凝聚算法在时空序列分析的基础上,提出了一种新的基于HMM2的时间序列凝聚算法。该算法应用HMM2对时间序列进行建模,合理考虑了概率和模型历史状态的关联性,按照相异度原则将序列聚成几个类,每个类用模型代表,进而对这些模型训练、合并及迭代得到聚类结果。实验比较了该算法与基于HMM算法的聚类质量,研究了聚类正确率与聚类数、距离正确率与模型距离的关系。结果表明,该算法比传统的基于HMM的聚类算法具有更好的性能。

半监督学习的老挝语词性标注方法研究

针对老挝语语料资源极少而无法直接利用有监督学习的方法实现老挝语词法分析的问题,提出了基于半监督学习的老挝语词性标注方法。首先利用仅有的少量标注词典和未标注语料资源,采用简单概率模型建模,获取较为完整的标注词典;其次利用整数规划获取大量自动标注的语料;最后在训练语料充足的情况下,利用二阶隐马尔科夫模型建模,实现高质量的老挝语词性标注。提出的方法在老挝语词性标注方面取得了较好的效果,其准确率达到89.8%。