量化子空间分布隐马尔可夫模型

提出了量化子空间分布隐马尔可夫模型 (QSDHMM ) .该模型可由连续分布隐马尔可夫模型(CDHMM)导出 ,方法是先将CDHMM的高斯分布投影到K个子空间 ,然后将每个子空间高斯分布聚类成一个数目较小的“高斯分布原型” .用这些“高斯分布原型”可以表示出声学模型的状态分布 .理论分析和仿真实验表明 ,对于大词表连续语音识别系统 ,与CDHMM相比较 ,QSDHMM可以压缩模型参数 18倍 ,从而节省系统存储空间 。

量化子空间分布隐马尔可夫模型的直接训练

尽管量化子空间分布隐马尔可夫模型 ( QSDHMM)的间接训练算法具有简单实用等优点 ,但仍存在两个方面的不足 :其一 ,QSDHMM的间接训练实际上要经历两个最优化过程 ,即先用原始语音数据训练连续分布隐马尔可夫模型 ( CDHMM) ,然后将训练好了的 CDHMM转换成 QS-DHMM.因此 ,QSDHMM的精度将受到影响 ;其二 ,没有发挥 QSDHMM本身参数少的潜在优势 .在系统的子空间捆绑结构为已知的前提下 ,文中提出了 QSDHMM的直接训练算法 .仿真实验表明 ,与传统的训练算法相比较 ,采用直接训练算法可减少训练数据约 1 0倍 。

量化子空间分布隐马尔可夫模型的间接训练

研究了量化子空间分布隐马尔可夫模型(quantizedsubspacedistributionhiddenmarkovmodel,QS DHMM)间接训练所涉及的三个关键的问题:连续分布隐马尔可夫模型(continuousdistributionhiddenmarkovmodel,CDHMM)的训练、特征子空间的划分和子空间高斯分布的量化方案。提出了相关特征子空间的定义及实现算法。在仿真实验中,采用基于分类学的Bhattacharyya距离测度的K均值高斯聚类算法对子空间高斯分布进行量化,用最相关子空间的概念划分特征子空间,并将这两者结合使用,提高了系统的识别精度和速度。

基于小波能谱熵-隐半马尔可夫模型的故障识别方法及应用

有效的特征提取方法和分类算法能显著的提高故障识别的精度。小波能谱熵突出了振动信号中短暂的异常信号,能有效的表征早期故障特征;隐半马尔可夫模型通过加入高斯概率分布函数来描述各个状态的驻留时间,能合理的表征振动信号的暂态特征,适合于机械系统的故障识别问题;本文将小波能谱熵和HSMM相结合,提出了基于小波能谱熵的HSMM故障识别方法。以小波能谱熵作为特征向量,通过训练得到各个状态的HSMM模型并建立分类器,从而实现对未知状态的识别。以齿轮为对象,对齿轮常见的故障状态进行了识别试验。

基于改进的隐马尔可夫模型的网页预取

为提高基于隐马尔可夫模型(HMM:Hidden Markov Model)的网页预取精度,对经典隐马尔可夫模型的两个前提假设进行了扩展,推导出新模型中计算观测序列概率的公式。由此构建出可用于网页预取的高阶隐马尔可夫模型,同时为降低高阶隐马尔可夫模型的空间复杂度,给出了构建树状状态空间存储访问序列的算法。介绍了将改进的隐马尔可夫模型应用于网页预取的具体方法,通过对比实验证实该方法的预取准确度提高了7%。

评“基于量子条件主方程的隐马尔可夫模型”

隐马尔可夫模型作为一类重要的统计学习模型,天然适用于和时间序列数据相关的学习任务。但如果在经典计算机上实现或拟合隐马尔可夫模型的时候,其数值计算复杂度会随着隐藏状态维度和观测空间的维度增加而变得难以承受。这在一定程度上是由于经典计算模型本质上是用于解决确定性的问题,因此一个很自然的想法是能否利用量子计算机来替代经典计算机,利用量子系统内禀的随机性模拟动态马尔可夫过程。不仅如此,量子系统独有的状态叠加性为模型赋予了维数巨大的隐藏状态空间,并有可能带来潜在的并行计算加速。

基于空时融合隐马尔科夫模型的舰艇编队目标识别方法

基于末制导雷达搜索舰艇编队目标时获得的目标大角域高分辨距离像(HRRP)信息,该文建立了描述单个HRRP样本内向量之间统计关系的"各态历经"空间隐马尔可夫模型(SHMM)和描述HRRP样本之间统计关系的"从左到右"时间隐马尔可夫模型(THMM)。与对一类目标全方位角训练数据只建立一个THMM模型的方法相比,该方法充分利用目标的大角域HRRP信息,提高了识别性能。通过对5类舰船目标的仿真和3类民用船只的外场实测数据分析表明该方法的有效性。

基于空间结构隐Markov模型的故障诊断

针对机械故障诊断领域所引用的隐Markov模型忽略了机构之间空间结构特性的问题,利用机械设备的空间结构性对经典隐Markov模型进行补偿,建立完整的故障诊断模型。该方法提出行为结构基因表达式和机构基因自相关矩阵对空间结构进行描述,以便对机械设备进行故障溯源诊断。通过基因变异操作将机械空间结构分解为多个隐Markov模型,结合隐Markov模型参数算法和机构状态基因操作,快速定位机械故障源并进行故障排除。对机械空间结构进行分解诊断,使模型更符合实际情况,也提高了计算效率。通过空分设备氧气透平机故障诊断的应用实例,表明了该方法的有效性。

基于粘性隐马尔可夫模型的协同频谱感知算法

为解决在频谱异构场景下传统频谱感知算法较易产生大量的空间虚警的问题,`本文提出了一种基于粘性隐马尔可夫模型的协同频谱感知算法。该算法利用次级用户的感知数据在时域和空域两方面的相关性来提高感知性能。经仿真验证可知,所提算法不仅可以有效解决传统频谱感知算法存在的空间虚警问题,而且具有较高的检测性能。

基于状态空间与概率空间映射的极大相似度匹配情感模型

机器人情感建模是研究情感机器人的热点问题.文中以情感心理学知识为基础,模拟具有不同个性的情感机器人在外界刺激作用下情感动态变化的过程,研究个性和外界刺激对情感转移过程的影响.采用基于状态空间的情感空间模型来描述机器人的情感状态,并用HMM过程来模拟情感状态的转移过程.但HMM过程只能求得当前情感状态的概率,为得到具体的情感状态,文中提出一种基于状态空间与概率空间映射的极大相似度匹配的情感转移模型.首先利用HMM过程计算出当前情感概率,然后通过极大相似度匹配来得到转移后具体的情感状态.通过调节模型参数来模拟不同个性和外界刺激,该模型能有效模拟情感状态变化过程.实验结果验证模型模拟的情感变化过程符合人类情感变化的一般规律.

基于隐马尔科夫模型的多风电场相关性出力时间序列建模方法

生成具有相关性的多风电场中长期出力时间序列,对电力系统规划和调度运行具有重要的意义。该文提出一种基于隐马尔可夫模型的多风电场出力时间序列建模方法。将风电出力的相关性作为隐马尔可夫模型的状态变量,并利用Markov链描述其时变特性;将各风电场在相邻时刻的出力作为隐马尔可夫模型的观测变量,建立相关性状态与相邻时刻出力的概率映射关系。利用Baum Welch算法估计隐马尔可夫模型参数,获取时变相关性状态的转移概率矩阵和各状态下多个风电场在相邻时刻出力的联合概率分布。最后,通过蒙特卡罗仿真逐月生成多风电场出力的时间序列场景。算例中对我国西北某省份的3个风电场进行测试,结果显示:所提方法生成的各风电场出力的年/月特性、概率分布特性、波动特性和自相关性均优于独立建模方法,并且风电出力相关性与历史序列非常接近,证明所提方法的有效性。

利用空间相关性的改进HMM模型

语音识别领域中所采用的经典HMM模型,忽略了语音信号间的相关信息。针对这一问题,利用语音信号的空间相关性对经典HMM模型进行补偿,得到一种改进模型。该方法通过空间相关变换,描述了当前语音特征与历史数据之间的空间相关性,从而对联合状态输出分布进行建模。改进模型的解码算法利用空间相关性变换的参数更新算法在经典HMM的解码算法基础上得到。实验结果表明,上述方法在说话人无关连续语音识别系统上获得了明显的性能改进。

MTRF:融合空间信息的主题模型

针对主题模型中词汇独立性和主题独立性假设忽略了视觉词汇间空间关系的问题,提出了一种融合了视觉词汇空间信息的主题模型,称为马尔可夫主题随机场(MTRF),并且提出了主题在图像处理中的表现形式为对象的组成部件。根据相邻视觉词汇以很大概率产生于同一主题的特点,该算法在产生主题的过程中,通过视觉词汇间是否产生于同一主题,来判断主题产生于马尔可夫随机场(MRF),还是产生于多项式分布。同时,从理论和实验两方面论证了主题并非对象的实例,而是以中层特征的形式表达对象的各个组成部件。与隐狄利克雷分配(LDA)相比,MTRF在Caltech101上的平均准确率提高了3.91%;在VOC2007数据集上的平均精度均值(m AP)提高了2.03%;此外,MTRF更准确地为视觉词汇分配了主题,能产生更有效表达对象的组成部件的中层特征。实验结果表明,MTRF有效地利用了空间信息,提高了模型的准确率。

基于多时窗共空间模式的HMM运动想象脑电识别

运动想象脑电具有识别效果不佳及复杂时序信号建模困难的问题,因此提出一种基于多时窗共空间模式的隐马尔可夫模型运动想象脑电识别方法;首先将运动想象脑电划分为多个短时窗信号,然后使用共空间模式提取特征序列,以滤除脑电通道间的冗余信息,最后采用前向-后相算法与Viterbi算法求解隐马尔可夫模型并完成分类识别;将该方法在公开运动想象脑电数据集上进行实验,得到77.17%的分类正确率,相较隐马尔可夫模型算法提升了5.74%,验证了所提方法的有效性。

人工心理情感模型的个人机器人

以心理动力学中心理能量概念为基础,根据情感能量守恒定律,建立了情感状态能量分布描述空间和情感状态的概率描述空间,分析情绪状态的变化过程,提出情绪状态自发转移过程的隐马尔可夫链及其模型算法.利用MATLAB建立相关情感状态变化的仿真研究平台,研究情感状态的变化规律.根据以上人工心理情感模型及其变化规律构建出个人机器人综合研究平台软、硬件体系结构,并通过该系统的实际运行实验验证了其有效性.

非介入式工业设备监测方法研究

非介入式负荷监测(non‐invasive load monitoring,NILM)技术可以不侵入用户内部,仅通过对用户电表数据的分析就能获取用户各个用电设备的用电信息。NILM在居民负荷分解中的研究和应用很多,但在工业负荷上的应用却很少。一方面,工业负荷在负荷特性和负荷数据分布方面与民用负荷差别较大,致使许多应用于居民场景中的方法在迁移至工业场景后性能下降明显;另一方面,工业用户出于对保护隐私的考虑不会公开用电数据,利用有限的数据有效学习工业负荷设备知识是极具挑战性的。为应对这些问题,提出一种基于因子隐马尔科夫模型(factorial hidden Markov model,FHMM)的工业负荷分解方法。该方法利用FHMM的多条独立的隐状态链模拟工业负荷设备的运行状态转换过程,求解设备在各时刻所处的状态,即可结合状态能耗信息预测设备用电量。最后利用某工厂的现场能耗监测数据对所提方法进行测试,结果表明所提方法具有良好的负荷分解效果。

基于共享状态空间旋转变换的相关特征建模

提出了一种共享空间旋转变换的声学建模方法。该方法结合状态空间旋转变换和方差部分共享的优点,克服了空间旋转变换方法由于每个输出都有一个变换矩阵而带来的计算量和存储量增加的缺点。在空间旋转变换方法得到比较精确的初始模型的基础上,通过共享的方差变换方法实现了不同状态的空间旋转矩阵的共享,解决了状态空间旋转变换后参数过多的缺点并提高了系统的识别率。试验结果表明,在汉语大词汇量连续语音识别系统中,同传统的对角方差建模技术相比,这种方法在计算量增加很小的情况下,系统字的误识率降低了18.8％。

基于无约束空间中邻域信息的序列分类方法

为达到更好的分类效果,提出一种基于邻域相似则序列相似猜想的序列分类方法,将样本序列所定义的有约束隐马尔可夫模型(HMM)空间转换到无约束HMM空间,在标准HMM处提取邻域信息,并将所有邻域信息导入到SVM中进行分类。实验结果表明,与其他经典序列分类方法相比,该方法能较大程度地提高分类效果及速度,同时也验证了最初猜想的正确性。

家庭智能空间下基于HMM的人轨迹分析方法

对人行为的感知和预推理是家庭智能空间技术的关键环节.文中提出一种基于隐马尔可夫模型(HMM)的人轨迹分析方法.该方法首先将平面空间离散化为"瓷砖格",离线对各预设轨迹建立HMM模型.然后针对在线分析,提出一种类似滑动窗口的轨迹分割方案,该方案能实时有效地分割轨迹段,并适时激发轨迹匹配进程.最后智能空间依据匹配结果做出轨迹预测.实验表明,文中方法能有效预测人的轨迹,且满足实时性要求,有助于智能空间更好进行决策.

基于深度循环卷积模型的非侵入式负荷分解方法

电力分项计算是智能电能表的一个重要环节,即对接入户线的各个电器设备进行用电消耗检测。对电力公司进行精准预测,提高系统稳定性可靠性,制定调度方案,设计“错峰用电”费率结构,发现设备老化和故障有着重要意义。为了实现电力分项计算,文中提出了一种基于深度循环卷积神经网络的非侵入式负荷分解方法。对目标电器的不同功率状态进行编码,用循环卷积神经网络提取输入负荷总功率的空间时间特征。对输入数据进行归一化提高模型训练速度,用drouput技术降低模型过拟合,用迁移学习技术实现对不同目标电器的功率状态预测建模。并和传统的隐马尔可夫模型进行对比。采用公开的redd数据集,结果证明文中所提出的模型能很好预测目标电器的功率状态。