模糊深隐马尔可夫模型研究

针对经典马尔可夫模型没有考虑模型应用中状态、观测量间的上下文相关性以及状态转移概率动态性、可变性,提出一种模糊深隐马尔可夫模型。该模型通过增加观测值间的相关性、解决概率转移问题中的不确定性和改进参数优化算法,使之能够较好地应用于强噪声、训练数据缺损等情形的模式识别中。理论证明,显式模糊深隐马尔可夫模型在同等模型复杂度下具有模型优化程度高、区分度好、误识率低、鲁棒性高的特性。

基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别

滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。

模糊语言模型在唇读系统中的应用

论文针对传统的统计语言模型所面临的数据稀疏和估计严苛性问题,提出基于模糊表示的n-元语法模型,并将其应用于唇语识别系统中,结合隐马尔科夫模型(Hidden Markov Model),建立了新的唇动识别模型—HFM(HMM and Fuzzy Language Model)。利用教育部语言文字应用研究所计算语言学研究室研制的语料库在线系统,制作了一个小型语料库,进行了句子识别实验。实验结果表明,HFM可使单音识别率最高提高6.5%,句子识别率最高提高22.7%,另外,采用语言模型对文字流进行解析,而不再是盲目文字匹配,单一视觉流的解析精确度达68.7%。

基于模糊聚类的图像分割研究进展

模糊聚类算法(Fuzzy C-Means,FCM)是一种基于软划分的聚类过程,已被广泛应用于机器学习、图像处理和计算机视觉等领域.虽然当前已涌现出大量关于FCM的图像分割算法,但仍然面临诸多挑战.本文将基于FCM的图像分割算法归纳为三类:基于空间邻域信息的FCM算法、基于直方图信息的快速FCM算法及基于维度加权的FCM算法.首先系统分析和阐述了各类FCM算法的研究现状,然后通过实验分析各类算法的性能,最后总结了FCM算法在图像分割中存在的问题以及将来的研究方向.

基于二型模糊逻辑的多线程数据竞争检测方法研究

多线程机制以其诸多优势在程序开发中被广泛使用,然而随着多线程软件规模的增长,程序中潜存着许多并发缺陷,最常见的并发缺陷是数据竞争和死锁。目前,针对这些并发缺陷的检测手段都无法处理线程时序的不确定性,无法处理运行时环境对线程时序的影响,同时也不能计算这些并发缺陷发生的概率并根据概率生成其处理优先级。针对以上问题,提出了一种基于二型模糊逻辑的多线程数据竞争检测方法。该方法将传统的多线程时序分析和缺陷检测方法作为预处理,考虑程序运行时环境因素对线程时序的影响,利用二型模糊逻辑和隐马尔科夫模型对待检测程序建模,计算待检测程序在某一系统负载下的时序概率,并根据时序概率生成时序缺陷处理优先级列表供软件开发人员参考。

基于逆向分析的工控协议模糊测试方法

协议的传统漏洞挖掘方法一般有2种:模糊测试方法和逆向分析方法,模糊测试方法有自动化程度高、不依赖源代码等优点,但测试用例针对性不强,无法适用于工控专用协议。传统协议逆向分析方法使用N-gram模型划分协议报文序列时存在混入噪声过多、逆向效果不理想等缺陷,文章提出协议逆向分析与模糊测试相结合的漏洞挖掘方法;提出基于局部贪心算法的改进有效计数法,使协议关键字提取准确率平均提高65%;结合有损计数法构造协议语法树,减少了40%的生成树节点。根据协议ε机最小化马尔科夫模型得到协议状态机,指导模糊测试有效用例的生成。使用模糊测试框架Sulley对工控协议进行漏洞挖掘,发现了整数溢出等漏洞,验证了方法的有效性。

基于系统信息融合的滚动轴承故障模式识别

基于滚动轴承故障模式识别的随机性、灰色性和模糊性特征,从信息融合的角度出发,提出了一种融合框架。首先针对这三方面的信息分别从小波域、幅域和频域构造特征向量;然后借助于D-S证据理论,在基于概率统计的隐马尔科夫模型的诊断结果基础之上,进一步融合从系统灰色性和模糊性观点出发所得的诊断信息,从而实现滚动轴承故障模式的多角度信息融合识别;最后,利用该融合框架对实测滚动轴承故障数据进行了识别。结果表明,基于系统随机性、灰色性和模糊性信息融合的识别方法较基于系统单一性信息的识别方法能够进一步提高模式分类的正确率。

基于CI-HMM的运动想象脑电信号分类

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种基于Choquet模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量特征,构成特征序列用于CI-HMM的训练和分类。选取2008年BCI竞赛Datasets 1的两类运动想象数据进行分类实验,结果表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。

基于轨迹分析的行人异常行为识别

提出一种基于轨迹分段主题模型的异常行为检测方法。为了解决跟踪偏差引起的轨迹不连续问题,首先使用模糊聚类算法对所有的轨迹进行全局聚类,然后对每一类轨迹采用分段采样的方式对段内轨迹点使用主题模型LDA进行局部聚类;以最大概率的轨迹点作为视觉单词,每类轨迹表示成一系列视觉单词的集合,在此基础上建立局部隐马尔科夫模型HMM;最后通过轨迹匹配的方法进行异常轨迹识别。在CAVIAR数据库上的实验结果表明,该算法能识别多种异常行为,提高了异常行为检测的准确率。

结合MRF能量和DCE-MRI时域特征的乳腺癌灶分割算法

针对动态增强磁共振影像中乳腺癌灶对比度低、边界模糊且亮度不均匀等特点,提出了一种结合马尔科夫随机场能量和动态增强磁共振影像时域特征的混合活动轮廓模型。首先,基于模糊C均方聚类算法以图像的时域变化特征和亮度构建特征向量,构建模糊速度函数作为活动轮廓模型的边缘探测函数。其次,计算图像的隐马尔科夫场能量,以增强乳腺癌病灶与其他组织的差异。最后,以图中每个像素及其邻近像素的马尔科夫场能量为特征,利用k最近邻算法构建活动轮廓模型的区域项。轮廓曲线在病灶边界上时,区域项及边缘项最小,活动轮廓曲线停止演变,完成对乳腺癌灶的分割。实验结果表明,马尔科夫随机场能量和时域特征均能增强癌灶与其他组织的对比度,使所提方法的分割结果较其他活动轮廓模型更接近医生手工分割结果,对实现精确分割乳腺癌灶有重要意义。

一种融合型异常检测算法及其在轴承性能退化评估中的应用

用自回归模型(autoregressive model,AR)提取早期无故障滚动轴承的振动样本以及同型号同位置失效滚动轴承(简称同类轴承)的失效样本,用早期无故障样本和失效样本建立模糊C均值(Fuzzy C Mean,FCM)和隐马尔科夫(Hidden Markov Model,HMM)性能退化评估模型,然后得到正常指标和同类轴承的失效指标,把这两个指标作为输入特征建立FCM模型,待测数据通过保持模型不变连续迭代的方式输入模型中,描绘出性能退化曲线。该方法集中了空间统计距离和相似度方法两者的优势且不需要轴承失效数据。实验表明所提出的评估方法得到的评估指标能实时监测滚动轴承的性能退化趋势并且可以及时发现早期故障。

重型载货汽车行驶工况辨识策略

针对山区公路行驶的重型载货汽车实现多种持续制动系统主动介入和退出时车辆行驶工况准确辨识,提出了基于隐形马尔科夫模型(HMM,hidden Markov model)和Tkagi-Sugeno模糊神经网络模型(T-S FNN)的双层复合保守行驶工况辨识策略。首先,选取制动踏板平均开度、制动踏板作用比例、制动次数及平均单次制动时长表征时间窗内制动踏板动作特性,建立不同时间窗长度的HMM和T-S FNN的工况模型;其次,通过道路试验的方法,利用滚动时间窗原理和K-means空间聚类方法建立了上坡工况、小起伏路面工况和长大下坡工况,并对HMM和T-S FNN进行离线训练。为了验证提出的行驶工况辨识策略,进行了在线辨识验证。结果表明:与以HMM为主的辨识策略相比,双层复合保守识别策略对小起伏路面工况和长大下坡工况的辨识更加灵敏和准确。以HMM为主的辨识策略控制过程中,排气制动开启时间占总时长的91.72%,而以双层复合保守识别策略控制时排气制动开启时间占比下降了19.58%,开启次数为3,比前者少开启1次,鲁棒性能更优。

具有噪声过滤功能的协同训练半监督主动学习算法

针对基于半监督学习的分类器利用未标记样本训练会引入噪声而使得分类性能下降的情形,文中提出一种具有噪声过滤功能的协同训练半监督主动学习算法.该算法以3个模糊深隐马尔可夫模型进行协同半监督学习,在适当的时候主动引入一些人机交互来补充类别标记,避免判决类别不相同时的拒判和初始时判决一致即认为正确的误判情形.同时加入噪声过滤机制,用以过滤由机器自动标记的可能是噪声的样本.将该算法应用于人脸表情识别.实验结果表明,该算法能有效提高未标记样本的利用率并降低半监督学习而引入的噪声,提高表情识别的准确率.