基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法

本文利用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系,提出了基于隐马尔可夫高斯随机场模型的模糊聚类分割算法.该算法用隐马尔可夫随机场模型定义先验概率,并将该先验概率作为尺度控制因子引入到KL(Kullback-Lerbler)信息中,在目标函数的定义中,KL信息作为规则化项,其系数表示算法的模糊程度.在基于高斯模型的后验概率中,像素相关性被定义在空间和谱间,并用该概率的负对数值表征像素点到聚类中心的非相似性测度.通过对合成遥感影像和高分辨率遥感影像进行分割实验,证明了算法的有效性和普适性.

降水预测的模糊权马尔可夫模型及应用

中长期降水量的预测是气象科学的一个难点问题,论文首先基于降水过程存在大量不确定性、不精确性的特点,应用模糊有序聚类的方法建立降水丰枯状况的分级标准;然后针对降水量为相依随机变量的特点,采取以规范化的各阶自相关系数为权重,用加权的马尔可夫链来预测未来降水的丰枯变化状况;在此基础上,根据模糊集理论中的级别特征值,计算出具体的降水量;最后以山西省河曲水文站近50年的降水资料为实例,对该方法进行了具体的应用,收到了较为满意的结果,从而为提高中长期降水量预报的精度提供了一条值得探索的途径.

结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割

为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。

结合马尔可夫高斯模型的双邻域模糊聚类分割算法

针对传统模糊C均值(FCM)算法采用欧几里得测度描述像素与聚类间的非相似性对噪声和异常值敏感的问题,提出基于马尔可夫-高斯模型、且包含特征场和标号场双邻域的模糊聚类分割算法.首先根据马尔可夫模型能够结合邻域像素作用的特点在标号场上建立与邻域像素相关联的能量函数,确保相同邻域系统内的像素属于相同类别的概率较之不在相同邻域系统内的像素更大,最终实现标号场邻域系统的建立;而后在特征场上利用Gaussian模型描述像素与聚类间的非相似性测度,并结合相邻像素对非相似性的影响构建特征场邻域模型,即利用中心像素和邻域像素特征与聚类均值矢量的差异代替传统像素特征与均值矢量的差异构建Gaussian模型;最后结合标号场和特征场邻域构建包含双邻域的模糊聚类分割模型,实现高精度模糊聚类分割.通过与现有多种典型FCM算法对模拟影像和真实彩色影像的实验以及分割结果的对比分析,证明了文中算法的有效性.

基于二阶马尔可夫模型的模糊时间序列预测

针对当前模糊时间序列模型存在的缺乏有效论域划分方法和模糊关系前件多为一阶的现状,提出了基于二阶马尔可夫模型的模糊时间序列预测方法。应用模糊C均值聚类方法,获得序列中元素的隶属度;引入二阶马尔可夫模型中的转移概率矩阵表示模糊关系,更新了传统的模糊关系表示和运算;预测待求元素在各个模糊聚类的隶属度,并利用重心法去模糊化。将该模型运用到移动3G网络的性能预测中,与传统模糊时间序列预测方法相比,其准确性有了较大提高。

模糊加权马尔可夫链模型及其应用

在传统的用马尔可夫链模型预测的方法基础上,建立了模糊加权马尔可夫链模型。以某地区梅雨期长度的预测作为实例,介绍了使用这种模型的方法与步骤,提出了具有模糊状态的马尔可夫链的转移概率计算公式,并采取以规范化的各阶自相关系数为权重,用加权的马尔可夫模型预测的结果与实际梅雨期长度相吻合。

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。

判断股市走势的马尔可夫链模糊预测模型

用马尔可夫链来预测股市走势虽具有较好的精确性,但初始条件的微小改变可能导致完全不同的预测结果,因此也存在局限性。通过引入马尔可夫链预测法模糊模型来克服马尔可夫链预测法的局限性。在此基础上,对上证综合指数进行预测,并进行了实证分析,得出了较马尔可夫链预测法更为准确之结论。

基于模糊滑窗隐马尔可夫模型的入侵检测研究

针对传统基于隐马尔可夫模型(HMM)入侵检测中普遍存在误报与漏报过高的问题,提出了一种基于模糊窗口隐马尔可夫模型(FWHMM)的入侵检测新方法。该方法通过运用状态转移依赖滑窗的设置提高了系统的检测精度,通过将状态的随机转移转变为模糊随机转移,提高了系统的鲁棒性和自适应性。实验结果表明,使用本文方法的检测效果要明显优于基于经典HMM的方法。

航空发动机的模糊马尔可夫模型辨识方法研究

给出了动态系统马尔可夫链描述，着重讨论了基于模糊马尔可夫模型的航空发动机动态模型的辨识方法。研究了运用马尔可夫模型，根据实际的输入输出数据，建立线性及非线性随机系统的非参数模型的新方法。航空发动机仿真结果表明，模糊马尔可夫模型能够精确地描述实际系统。

马尔可夫攻防模型下网络边缘态势监控仿真

马尔可夫攻防模型能够生成观测序列,通过对此序列的识别与预测,达到监控目的。由于网络的数据量大,各种攻击手段都对网络安全造成严重威胁。为了提高监控效果,提出一种基于马尔可夫攻防模型的网络边缘态势监控。通过设置采集平台,将马尔科夫攻防过程看作用户与攻击者的博弈过程,利用状态空间、状态概率分布、风险指数等七元组建立马尔可夫攻防模型;确定模型参数,采用模糊层次算法选取监控指标,设计模糊矩阵,获取指标权重,计算风险指数;确立监控平台整体架构,通过上述平台呈现风险指数,实现网络边缘态势监控。实验结果表明,所提方法的监控效果好,监控的平均绝对误差小,始终低于0.2,且对所有攻击类型均适用。

多重马尔可夫链预测的模糊模型

木文提出了多重马尔可夫链预测的模糊模型。该模型克服了以普通集合论为基础划分系统状态的弊病,推广了马尔可夫链预测的模糊模型。模型有效地提高了预测精度。文中以林业虫害预测说明了多重马尔可夫链预测的模糊模型的方法。

基于模糊—隐马尔可夫模型的复合式攻击预测方法

通过对复合式攻击预测方法的研究,将关联规则、模糊评价法和隐马尔可夫模型相结合,提出了基于模糊—隐马尔可夫模型的复合式攻击预测方法。该方法首先将原始报警信息融合为超级报警信息,进而基于攻击行为的初始概率分布确定初始状态矩阵,根据关联规则确定状态转移矩阵,应用模糊判别法确定观察矩阵,最后应用隐马尔可夫模型中的Forward算法对报警信息隶属的攻击场景进行了识别,Viterbi算法对攻击意图序列进行了预测。仿真实验验证了该方法的有效性。

基于模糊分类-灰色马尔可夫的陀螺仪漂移预测

针对标准灰色马尔可夫预测模型抗干扰能力差的局限性,提出了一种基于模糊理论和灰色马尔可夫模型的预测方法。将模糊理论引入预测模型中,从分类方法上对标准灰色马尔可夫模型进行改进,该算法可以有效提高灰色马尔可夫预测模型的预测精度。将这种方法用于某型导弹陀螺仪的漂移预测中,实验证明了这种方法的有效性和可行性。

火灾预测的模糊马尔柯夫模型

火灾发生并不是一个严格马尔柯夫随机过程，而是一个“近似具有马尔柯夫性”的模糊马尔柯夫过程。本文在对我国55年火灾统计资料“相对化”处理的基础上，根据模糊马尔柯夫理论和方法，建立我国火灾相对变动模糊马尔可夫预测模型。根据隶属度最大原则，确定所属状态，进行火灾预测。2005年我国火灾预测值与实际值的相对误差为0．0148，表明模型具有相当高的预测精度。对我国2006年进行预测，得到火灾相对变动状态等级为微降，我国2006年的火灾发生率与2005年相比降低了0～0．1，火灾频数约为212347～235941起，预测结果可为有关部门的决策提供一定的依据。

基于隐马尔可夫模型的网络安全态势评估

为了评估网络系统的实时安全态势,针对现有方法评估对象局限于服务主机、未综合考虑攻防两方面信息等局限性,建立了一种网络安全态势量化评估模型。模型自上而下包括网络系统、设备、设备节点、攻击四个层次,涵盖了网络系统中的所有资源,采用先局部后整体的评估策略。运用隐马尔可夫模型从攻击威胁与自身风险两方面对设备节点的安全状况进行评估,最后加权求和得出网络系统的整体安全态势。实验结果表明,该评估方法能较好地反映网络系统的态势走向。

动态系统模糊马尔可夫建模方法研究

着重讨论基于模糊马尔可夫模型动态系统建模方法 ,研究的问题是用模糊马尔可夫模型 ,根据系统实际输入—输出 ,获得线性和非线性随机动态系统非参数建模的新方法 ,最后 。

基于无偏灰色模糊马尔可夫链法的建筑业产值预测——以重庆为例

建筑业作为支柱产业，科学预测对其发展具有重要意义。单一评价模型因其各自局限性无法提高预测精确度，多种模型相结合评价较有优势，将无偏理论与模糊集合引入传统灰色马尔可夫预测模型，从拟合度和状态模糊集分类方面改进无偏灰色模糊马尔可夫模型。基于重庆1991～2011年建筑业产值，对其市场趋势进行预测分析，详细阐述该方法在建筑业产值预测中运用，定性分析预测结果，对建筑业发展历史及近期趋势进行检验和预判。

基于隐马尔可夫链模型的软件维护性评估方法研究

针对当前软件可维护性评估主观性强,可操作性弱等问题,提出了定量描述维护性的维护时间统计概率描述方法,引人隐马尔可夫链(HMC)模型对维护性状态变迁过程进行描述,以可度量的维护性内部属性影响因素集量化值为观测序列,以维护时间统计概率为状态序列,构造了反映可维护性状态转移的HMC模型;收集配置管理库中软件模块历史维护时间从而确定完成维护任务频率来估计软件维护性初始状态,利用复杂网络特性计算软件维护性影响因素集的量化值,理论上即可评估出当前软件所处的维护性状态,最后运用实例对模型进行了训练与评估;结果表明,利用模型评估出的概率与实际维护任务统计出的可维护性概率基本一致,说明该方法可行且可重复,具有一定实践意义和研究前景。

模糊马尔可夫预测法在空气质量评价中的应用

将模糊综合评价及马尔可夫链同时运用到空气质量的评价中,可克服大气环境系统所固有的模糊性及随机性。通过1994—1998年芜湖市大气环境监测数据计算表明:不仅预测结果准确,而且由于应用了模糊数学方法,使得结果较为可信,且整个过程计算简单,是一种较适合的方法。