基于M-GCHMM步态识别研究

步态识别是通过人走路方式来识别人的身份方法.该文采用高斯多元混合输出模型,改进CHMM在步态识别中的应用.首先,采用背景减除法进行步态检测,用边缘跟踪法提取出步态图像的边缘轮廓,训练得到的关键帧用多元高斯混合输出连续隐马尔可夫模型来表示,最后用近邻法进行识别.在不同视角下,利用CASIA数据库对该算法进行验证,取得了较高的识别率,该算法对视角的变化有一定的鲁棒性.

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CHMM的雷达海面回波建模与分析方法

高分辨率雷达以低擦地角观测粗糙海表面时杂波幅度明显增强,产生海尖峰效应。海尖峰与平稳海杂波的统计特性差别显著,使用单一概率密度函数(PDF)的传统统计建模方法难以精确描述回波特性,尤其在回波中包含目标信号时,这种不适应更为严重。该文将连续型隐马尔可夫模型(CHMM)用于海杂波建模,把海面回波分为平稳海杂波、海尖峰和目标回波3个状态,使用高斯混合密度模型(GMDM)建立各状态观测值的连续PDF表达式,使用Baum-Welch算法对CHMM的参数进行计算和重估。同时,修正了基于GMDM的CHMM观测值状态联合概率公式,解决了GMDM参数迭代求解过程中的分母下溢出问题,为海杂波建模与分析提供了一种新的方法。最后对实际雷达采集数据的分析证明了该方法的有效性。

基于CGHMM的水泵在线状态监测研究

根据水泵运行时振动信号的特点,用短时傅里叶变换提取状态特征信息,引入基于连续高斯混合密度隐马尔可夫模型建立在线状态监测系统,针对水泵的状态识别实验结果表明,此方法具有一定的实用性。

状态加权合成的CGHMM训练算法

为了克服训练数据不足的问题,提出了一种新的方法——基于状态加权合成的连续高斯混合密度隐马尔可夫模型(continuous Gaussian mixture hidden Markov model,CGHMM)训练算法.首先对每一个待合并模型中的每个状态都选定一个权值,当对多个训练样本进行CGHMM参数重估时,每一次迭代过程都分别对每一个训练样本获取CGHMM参数,再使用仅仅取决于状态数的权值加以合并.最后,将此新算法应用于轴承故障诊断,并与经典CGHMM算法进行了比较.实验结果表明,新算法的诊断精度更高,输出概率更好,获得了更优的训练模板.

使用GA初始化CGHMM参数的轴承故障诊方法

连续高斯混合密度隐马尔可夫模型(Continuous Gaussian Mixture Hidden Markov Model,CGHMM)在故障诊断领域得到了广泛应用,取得了较好效果。CGHMM训练模型较大、局部最优,但模型参数初始化值会直接影响迭代收敛速度和模型效用。全局最优的遗传算法(Genetic Algorithm,GA)初始化CGHMM模型参数,为CGHMM训练提供了一个好的初始值,不仅可以加快收敛速度,还可以得到一个更好的模型。通过GA初始化CGHMM、CGHMM训练和CGHMM诊断过程等三个方面的仿真实验和比较分析可以得出,该方法具有训练速度快和CGHMM模型好的优点。在最后的CGHMM诊断仿真实验中,该方法诊断精度为100%,高于经典方法的96%,表明GA确实可以成功应用于CGHMM参数初始化,是一种可行的故障诊断方法。

多样本状态加权合成的CGHMM训练算法

为解决隐马尔可夫模型(HMM)中参数很多,实际当中难以提供足够多训练数据的问题,根据观察值序列的状态分布情况,描述了一种基于状态加权合成的连续高斯混合密度隐马尔可夫模型(CGHMM)训练算法,对多个CGHMM模型进行加权合成,并将此方法应用于轴承故障诊断进行仿真实验。实验结果表明,平均训练时间为12.86 s,诊断时间为0.189 s,诊断准确度为96%。可见,多样本状态加权合成的CGHMM轴承故障诊断方法确实有效可行,具有良好的应用前景。