基于混合高斯隐马尔科夫模型的滑坡发生时间预报

滑坡发生时间预报在防灾减灾工作中非常重要,准确的预报能够有效预防灾害发生可能造成的灾难性结果。为解决当前滑坡预报中仅仅实现对滑坡位移等相关参数的预测和估计,而未最终计算出滑坡发生时间的问题,提出采用混合高斯隐马尔科夫模型(MOG‐HMM)建立滑坡发生时间预报模型,即对滑坡灾害演化过程全周期数据利用混合高斯算法计算出宏观信息预报判据,与隐马尔科夫模型中的状态相匹配,建立滑坡演化状态模型,该模型能够反映全周期数据的多个状态,当需要对实时采集的位移数据进行时间预报时,首先利用解码算法对当前数据解码,即计算出其属于滑坡的哪个状态,然后利用Dijkstra最优路径规划算法,计算出从当前状态到达滑坡发生状态的时间,实现滑坡发生时间预报。通过对新滩滑坡和卧龙寺滑坡灾害全周期数据进行仿真验证,结果表明,本文方法能够比较准确地计算出滑坡发生的时间,同时利用评价指标对预报的结果进行测试,符合预报指标精度要求。

基于CHMM(连续隐马尔科夫模型)的转辙机故障预测方法

[目的]转辙机作为城市轨道交通信号设备的重要组成部分,一旦发生故障,会对运营造成重要影响,对其健康状态的监测和预测显得尤为重要。[方法]提出了一种基于CHMM(连续隐马尔科夫模型)的转辙机故障预测方法。提取转辙机退化状态特征,并基于t-SNE算法对原始输入数据进行降维,减少余特征;利用谱聚类算法确定最优退化状态数目,进行聚类分割,分析转辙机动作功率曲线退化状态特征;基于CHMM模型并与故障诊断模型相结合,构建退化状态识别模型与故障识别模型,实现对转辙机的故障预测。以实测数据作为研究对象,对基于CHMM的转机故障预测方法进行试验验证。[结果及结论]该方法以转辙机正常动作功率曲线为研究对象,深入挖掘监测数据,提取的退化状态特征具有良好的表征能力。根据严重退化状态下曲线模型与正常曲线模型匹配结果,在转辙机功率发生异常波动时,可实现对转辙机故障类型的预测。

基于高斯混合隐马尔科夫模型的高速公路超车行为辨识与分析

基于驾驶模拟器实验数据,结合高斯混合隐马尔可夫模型(GM-HMM),对高速公路的超车行为进行辨识,并对驾驶员意图和超车行为是否正常进行分析。结果表明,基于GM-HMM的辨识方法能有效辨识多种驾驶工况下的不正常超车行为。

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。

基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法

为了有效降低因驾驶员紧急换道行为而诱发的交通事故,提高道路交通事故链阻断效率,提出一种基于高斯混合隐马尔科夫模型(GMM-HMM)和人工神经网络(ANN)的紧急换道行为预测方法。首先利用GMM-HMM对车辆行驶状态以及驾驶行为连续观察序列进行换道意图辨识,采用ANN预测下一时段的驾驶行为,再预测换道过程中的横向加速度变化率,从而判断紧急换道的危险程度。驾驶员在环仿真实验及实车实验结果表明,该方法预测避险成功率达92.83%,实验避险成功率达90.32%。该方法能有效地对紧急换道行为进行提前警告与干预。

基于高斯混合隐马尔科夫模型的自由换道识别

驾驶辅助系统被认为是解决交通安全问题的有效手段,开发驾驶辅助系统的基础是对车辆的行为进行准确的识别,以应用于车辆安全预警,路径规划,智能导航等方面.目前存在的基于支持向量机模型,隐马尔科夫模型,卷积神经网络等行为识别方法还存在计算量与精度平衡的问题.本文结合了隐马尔科夫模型与高斯混合模型,提出了高斯混合隐马尔科夫模型,利用美国联邦公路管理局NGSIM数据集对此方法进行了实验验证,结果表明该方法对自由换道行为识别具有较高的精度.本文还对高斯混合隐马尔科夫模型的实验参数进行了优化,以期达到最好的识别效果,为未来智能驾驶的车辆行为识别提供了参考.

基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.

基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法

在线控转向系统中,采用一种基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法,可达到辅助驾驶员驾驶、屏蔽驾驶员错误操作和提高汽车主动安全性的目的。通过驾驶模拟器采集相应工况数据,经数据预处理后,应用Baum-Welch算法对多维高斯隐马尔科夫模型进行优化,且应用Labview进行在线辨识,准确率达到99.8%。

基于小波包-隐马尔科夫模型的机床加工状态识别

机床加工状态对加工工件质量有很大的影响,因此识别机床加工状态有重要的意义。依据采集的机床加工数据,通过FFT频谱分析,划分出机床加工的3种状态。利用小波包分解,分别求出各种状态在不同频带节点上的能量分布百分比,并把它作为隐马尔科夫模型的输入特征向量。按照隐马尔科夫模型模式识别方法,建立3种标准状态的训练优化模型库,把测试样本代入优化模型库中,依据最大对数似然值对机床的加工状态进行了识别。计算结果表明,状态识别结果正确。

基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测

随着电动汽车在我国的发展,动力电池的安全性能成为评价电动汽车综合产品力的重要指标,其中动力电池热失控的检测对乘车人员的安全至关重要。针对传统热失控检测方法在实际应用中难以准确做出判断的问题,从电池传感器直接观测的电压、电流、时间等参数中提取状态特征向量,使用混合高斯模型对特征进行最优化筛选。分别对动力电池不同的安全状态评估其混合概率分布,通过BW方法建立隐马尔可夫模型,利用维特比算法对当前观测序列计算相似概率来判断当前电池的健康状况。实验结果表明,隐马尔可夫模型对动力电池热失控的识别较常见时序检测方法更为准确,可以实现在无需电化学仪器检测的前提下达到初步热失控风险检测的目的,提升安全检测效率,降低检测成本。

融合隐马尔科夫模型的雷达工作状态跟踪

针对电子侦察系统对雷达工作状态的跟踪问题,提出了一种基于融合隐马尔科夫模型的雷达工作状态跟踪方法。该算法首先将雷达工作过程建模成隐马尔科夫模型,其次通过对侦察的雷达短语序列识别,完成单个平台下雷达工作状态的跟踪;最后再运用DS证据理论将多平台的识别结果进行融合,实现多平台融合跟踪。对算法的识别率进行仿真,仿真结果表明,提出的算法提高了错误观测下对雷达工作状态跟踪的准确率,当观测值错误率为20%时跟踪正确率高达93%。

基于高斯混合模型和马尔科夫随机场的脑MR图像分割

目的从磁共振噪声图像中分割脑组织(脑脊液、灰质、白质)。方法首先利用K均值分类自动计算三类脑组织的初始灰度分布参数,通过期望最大化算法(Expectation maximization,EM)估计高斯混合模型(Gaussian mixture model,GMM)参数。然后按照空间体素的GMM分类信息改变其相应体素的联合概率的能量函数,控制该能量函数中代表灰度信息的分量,并且自适应地调节图像灰度和空间信息的分配。结果实验结果表明该模型能够有效地分割出脑脊液,灰质和白质,并且对噪声不敏感,能消除灰度不均匀的影响。结论与同类算法相比,本算法对含有噪声污染的脑MR-T1图像分割精度较高,也表现出不错的稳定性,且算法运行时间短。

基于高斯混合-隐马尔科夫融合算法识别奶牛步态时相

奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相,本研究提出一种融合高斯混合模型(Gaussian Mixture Model,GMM)和隐马尔科夫模型(Hidden Markov Model,HMM)的无监督学习奶牛步态时相识别算法GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号,通过卡尔曼滤波消除噪声,筛选并提取特征值,构建GMM-HMM模型,实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明,静立相识别的准确率、召回率和F_(1)分别为89.28%、90.95%和90.91%,连续步态中的站立相识别的准确率、召回率和F_(1)分别为91.55%、86.71%和89.06%,连续步态中的摆动相识别的准确率、召回率和F_(1)分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%,相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。

基于瑞利混合隐马尔科夫模型的语音幅度谱分布估计

针对语音信号处理中语音短时幅度谱分布模型过于单一的问题,提出了一种基于隐马尔科夫模型的语音幅度谱分布估计算法。该算法利用瑞利混合模型作为语音幅度谱分布,采用隐马尔科夫模型将语音分成不同的状态,在每一状态中有一组瑞利混合模型参数与之相对应,通过把语音信号分成不同的状态对语音进行分类,为语音短时谱幅度建立更为准确的模型。

我国金融行业间风险相依性研究——基于隐马尔科夫混合Copula模型

基于GAS边缘分布模型,将混合Copula嵌套于隐马尔科夫模型框架中,构建高维动态混合Copula模型,实证研究了我国金融行业中的银行、保险、证券和信托4个子行业间的动态相依性与最优动态路径,并对金融四大子行业间的尾部情况进行了分析。研究结果显示:基于隐马尔科夫混合Copula模型优于3个单一Copula模型和混合Copula模型,它能较好地描述金融行业间的动态相依性和动态转换路径;还能通过高相依状态来有效地捕捉加剧金融行业风险传染的重大事件;两状态的尾部相关系数显示,金融行业高状态时更易发生尾部风险,发生风险时,银行业和保险业对彼此冲击最敏感,且更易受到对方冲击的影响。

改进隐马尔科夫模型的地面装备退化状态识别

传统隐马尔科夫模型(HMM)解决地面装备中关键设备退化状态识别问题时,在学习训练过程中参数容易局部收敛导致识别精度较低,针对这一问题,提出一种基于自适应粒子群优化的改进HMM算法。在基础粒子群算法中加入惯性权重因子,并根据算法迭代结果对算法各因子大小进行动态控制,增强该算法的全局搜索能力。改进后的粒子群算法融入HMM模型训练过程参数学习的优化过程,能够提高HMM的训练精度。将其应用到地面装备中油机电站的退化状态识别当中,对实测振动数据进行分析,与标准算法相比,发现所提算法对油机处于不同退化状态的分类准确率都有所提升,整体识别精度达到96.4%。结果表明,基于自适应粒子群优化的HMM退化状态识别方法能够有效解决传统模型的局部收敛问题。

基于优化VMD和连续隐马尔科夫模型的管道堵塞状态评估

面向U型管堵塞状态演变过程中故障程度的评估问题,提出一种基于低频声压信号分析和连续隐马尔科夫模型(CHMM)的U型管堵塞状态评估方法。该方法利用声波作为激励来观测U型管沉积物的堆积程度,对不同堵塞状态下的低频声压信号进行变分模态分解(VMD),根据分量幅值谱图确定变分模态分解的最佳模态分解数k并通过声压级变换筛选有效的IMF分量;然后提取有效IMF分量的多尺度熵(MSE)特征,构建反映U型管不同程度堵塞状态的特征向量,最后将特征向量用于CHMM模型训练,建立能对U型管堵塞状态进行评估的模型。通过对U型管不同程度堵塞状态的试验数据进行测试,评估结果表明:该模型能准确评估U型管堵塞状态的程度变化,具有一定的工程应用价值。

主分量分析和隐马尔科夫模型结合的轴承监测诊断方法

为了快速识别轴承的故障模式以及性能退化状态,提出了一种基于主分量分析和隐马尔科夫模型的轴承监测诊断方法。该方法首先提取了轴承振动信号的混合域故障特征集,使用主分量分析对混合域故障特征集降维,然后使用降维后的特征训练隐马尔科夫模型,最后用降维后的测试样本测试模型的性能,根据隐马尔科夫模型输出的对数似然概率,确定轴承故障模式以及轴承的性能退化状态。开展了不同状态滚动轴承振动测试实验,数据分析结果表明,提出的方法诊断准确率均能达到100%,相比基于补偿距离选择特征降维及隐马尔科夫模型诊断方法,最高将分类离散度提高123.74%,并且在轴承的性能退化实验中,提出的方法能在故障早期给出故障预警,证明了该方法的有效性和准确性。

基于增益的隐马尔科夫模型的文本组块分析

本文提出一种基于增益的隐马尔科夫模型(Transductive HMM)的方法,用于文本组块(Text Chunking)分析的研究。该方法将一些上下文信息导入隐马尔科夫模型(HMM),构造增益的隐马尔科夫模型(TransductiveHMM)。该模型不需要修改标准的隐马尔科夫模型的训练和标注过程,只需要对训练语料根据导入的上下文信息进行相应的转换。实验结果显示,该方法在文本组块分析方面是有效的。

基于隐马尔科夫模型的P2P流识别技术

为了实时、准确地识别多种P2P应用流,提出了基于隐马尔科夫模型(HMM,hidden Markov model)的P2P流识别技术。该技术利用分组大小、到达时间间隔和到达顺序等特征构建流识别模型,采用离散型随机变量刻画HMM状态特征;提出了能同时识别多种P2P应用流的架构HMM-FIA,设计了HMM的状态个数选择算法。在校园网中架设可控实验环境,使用HMM-FIA识别多种P2P流,并与已有识别方法进行比较,结果表明采用离散型随机变量能降低模型建立时间,提高识别未知流的实时性和准确性;HMM-FIA能同时识别多种P2P协议产生的分组流,并能较好地适应网络环境变化。