混合隐马尔可夫模型Baum-Welch算法的改进

介绍了任一时刻出现的观测矢量的概率不仅依赖于系统当前时刻所处的状态,而且依赖于系统前一时刻出现的观测矢量的前提下混合隐马尔可夫模型的结构.并研究了新模型的Baum-Welch算法,导出了该模型各个参数估计公式.

基于高斯混合-隐马尔可夫模型的速差转向履带车辆横向控制驾驶员模型

为解决基于离合器转向机的履带车辆在无人行驶条件下的横向控制问题,采用一种基于高斯混合-隐马尔可夫模型的统计学习方法构建驾驶员模型,以实现对驾驶员跟踪控制操控经验的表述。利用经过大量试验采集获得的经验驾驶员操控数据对模型进行训练。以基于高斯混合模型表征的车辆速度和航向偏差作为隐马尔可夫模型的观测状态参量,并利用高斯混合模型对左右操纵杆位置进行转向模式划分,以转向模式作为隐马尔可夫模型的隐藏层状态参量,通过对模型的训练最终实现对于驾驶员操控经验以及车辆特性的统计学描述。利用上述模型对跟踪控制过程中的期望转向模式进行预测分析,结果表明该模型能够较准确地对转向模式进行预测。

基于高斯混合隐马尔可夫模型的螺纹钢价格波动预测

针对螺纹钢现货市场的价格波动预测问题,提出应用高斯混合隐马尔可夫模型(Gaussian mixture hidden Markov model,GMHMM)来进行预测。首先利用螺纹钢的每日最高价、最低价指标作为观测状态序列,利用Baum-Welch算法得到模型参数,再通过Viterbi算法预测隐状态序列及其概率矩阵,最后结合单日匹配预测算法和多日加权预测算法分别进行30天的预测。对真实值和预测值进行对比,并使用常见的预测模型评价指标均方误差(MAE)和平均绝对百分比误差(MAPE)评估预测精度,结果显示结合多日加权预测的MAE值为0.01949,MAPE值为0.008145,证明高斯混合隐马尔可夫模型具有解码螺纹钢市场隐状态的能力,结合多日加权预测算法可为螺纹钢现货的线上市场交易提供科学决策依据。

基于高斯混合-隐马尔可夫模型的特种设备敲击检测

通过设计金属构件的敲击检测试验,研究分析了敲击信号的频谱特征,并对利用语音识别技术识别金属材料内部缺陷的可能性进行了验证。结果表明,缺陷的存在会导致敲击信号的频谱向低频段移动或频率主峰发生分裂,利用敲击信号的MFCC(梅尔频率倒谱系数)特征参数构建的GMM-HMM(高斯混合-隐马尔可夫模型)可有效识别出不同类别的缺陷试件,但识别结果易受到噪声影响;经"二元信息融合+噪声泛化"算法改进后的GMM-HMM在强烈噪声干扰下(10 dB信噪比)仍具有较高的识别率,且在敲击声信号融合权重为0.6时识别率达到最优(99.3%)。

基于混合二阶隐马尔可夫模型的基因结构预测

在基因预测时,待研究的生物序列中的残基(氨基酸或核甘酸)具有高度的相关性,因此,观测噪声和马尔可夫链不相互独立的条件下的混合隐马尔可夫模型比普通隐马尔可夫模型更适用于基因预测功能.介绍了一种基于混合二阶隐马尔可夫模型(HMM2)的基因识别系统,该系统的预测精度在在核苷酸和外显子水平上均与国外同类研究水平相当.

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。

基于混合Markov模型的用户浏览预测

建立有效的用户浏览预测模型,准确的预测用户的浏览路径,是开发各种Web站点导航工具的关键。传统的Markov模型是一种简单而有效的预测模型,但它存在测准确率低、预测覆盖率低以及存储复杂度高等缺点。通过对传统Markov模型的扩展,并研究了群体用户在Web上的浏览特性,采用了基于混合Markov模型的用户群兴趣导航发现方法。实验结果表明,该方法比传统Markov模型更准确的反映了用户的访问兴趣,可以获得更高的预测准确率与覆盖率,以及有效地降低存储复杂度。

基于GMM-HMM模型的高压套管绝缘多点受潮状态评估

为了明确高压套管油纸绝缘受潮状态和水分来源,基于频域介电谱法提出了一种评估套管多点受潮状态的方法。采用Dissado-Hill模型提取特征参量,利用灰狼算法优化的高斯混合模型-隐马尔可夫模型评估套管受潮状态。结果表明,交叉验证识别准确度最小为96%,现场套管测试结果与实际情况一致。方法可有效诊断出高压套管的水分来源及其受潮状态。

FGMM-MRF层次模型在图像分割中的应用

为了更好地反映图像的区域结构,在高层次标记图像中,区域内部用各向同性的MRF建模,区域的边界用各向异性的MRF来建模;在低层次灰度图像中,用FGMM来描述待分割图像的概率分布.采用Bayes方法,根据标记图像的后验分布所对应的FGMMMRF模型的条件概率,用ICM局部优化算法获得MAP准则下的分割图像.用模拟图像和MR图像进行实验,区域的边界和整体属性具有较好的视觉效果.

混合二阶隐马尔可夫模型的Baum-Welch算法

介绍了在观测噪声和马尔可夫链不相互独立的条件下混合二阶隐马尔可夫模型(HMM2)的结构.然后,研究了新模型的Baum-Welch算法,并导出了新模型的参数估计公式.

基于WPT-PCA-GMHMM的输气管道泄漏源特征识别研究

为了克服压力波动下输气管道泄漏信号变化幅度大导致孔径识别准确率低的问题,提出了一种基于WPT-PCAGMHMM的泄漏源特征识别模型。开展了压力波动下管道泄漏的声发射检测实验,通过小波包变换(WPT)提取了不同工况下声发射信号的小波包能量谱,随后通过主成分分析(PCA)对频带能量进行去相关性与降维。最后将数据及标签分为训练集与测试集,采用高斯混合-隐马尔可夫模型(GMHMM)实现了对管道压力与泄漏孔径的分类识别。结果表明,所提出的模型整体准确率最高达到95.20%,泄漏孔径准确率达到99.95%,显著泄漏识别准确率达到100%,在充足样本及小样本的环境下相比BPNN、SVM均有优秀的表现。

基于MHMMs模型的面部表情识别研究

针对静态人脸表情识别方法的不足,提出了一种改进的基于运动特征的动态人脸表情识别方法。以表情视频序列为研究对象,提出了基于相位形式表示脸部运动特征,处理这些运动特征并组成时序特征序列,最后将其输入到改进的高斯混合隐马尔可夫模型进行训练和测试,分析识别6种基本的面部表情。基于改进的算法,实现了一个动态面部表情识别实验系统,实验结果表明该方法简化了计算,减少了矢量量化误差。

有级转向履带车辆的驾驶员操控行为模型

为解决有级转向履带车辆驾驶员操控经验的表征问题,以采集得到的大量真实驾驶数据为依托,提出一种基于操控基元序列的驾驶员操控行为表征模型。操控基元以高斯混合模型表征,并以有向图的形式完成驾驶员操控基元切换序列的提取与类别辨识;依据不同类别的操控基元序列辨识结果完成了对驾驶数据的重分组,利用隐马尔可夫-高斯混合模型完成每一个类别下的驾驶员操控行为模型训练。结果表明:所提取出的操控基元序列既能完成对驾驶员转向操控基元切换行为的表征,又能实现对轨迹基元类别的合理划分;在给定期望轨迹所对应的预测时域内,驾驶员操控行为模型能够实现特定条件下的驾驶员转向操控量预测,预测平均偏差在4.2%以内。

人类视觉行为的混合高斯-隐马尔可夫模型

视觉是人类与外界交互并获取信息的重要方式。为了研究在不同条件下人类的视觉行为,本文采用了混合高斯-隐马尔可夫模型(GMM-HMM)对扫视过程中的眼动路径进行建模,并提出了一种新的模型优化方法——时移分段法(TSS)。TSS方法可突出眼动序列中时间维度的特征,提升模式识别结果,增强模型稳定性。本研究对多维特征模式识别采用了线性判别分析(LDA)方法,以评价各模型的合理性及识别的准确性。全文共进行了四组对比试验,第一组应用了GMM-HMM模型对眼动路径进行建模分类,三分类准确率均值可达到0.507,大于三分类机会概率(0.333);第二组试验应用TSS方法,分类准确率均值提高至0.610;第三组将GMMHMM与TSS结合,分类准确率均值达到0.602,且相较于第二组模型更稳定;最后,将模型分析结果与眼跳(SA)等特征分析结果进行比较,建模分析方法远好于基础信息分析方法。同时,通过对三类任务特性分析,结果显示,自由查看任务特异性较高,而对象搜寻任务的敏感度较高。综上所述,GMM-HMM模型应用在眼动模式识别领域有较好的特征提取效果,引入TSS方法可以加强眼动特征差异,尤其对搜寻类任务的眼动路径识别有更好的优势,也为单一状态眼动序列提供了新的解决方案。

基于GMM-HMM模型的智能下肢假肢运动意图识别

传统下肢假肢运动意图识别方法常使用多模态传感器信号,带来一定的复杂性以及模式转换识别一般带有滞后性,提出了基于数据驱动下的智能下肢假肢运动意图识别方法。在对单侧下肢截肢者运动模式进行了重定义后,仅使用惯性传感器,采集健肢侧处于摆动相的时序数据。选择高斯混合-隐马尔可夫模型作为分类器,对下肢假肢的运动意图进行识别。实验结果表明,该算法在模式空间中的一组基模式:平地行走、上坡、下坡、上楼和下楼5种稳态模式中,识别率达到98.99%,在包含5种稳态模式和8类转换模式的13类运动模式中的识别率可达到96.92%。所提出的方法可以在下肢假肢运动意图识别性能上有较大提升,帮助单侧下肢截肢者实现自然、流畅、稳定的行走。

基于GMM-HMM的话题生命周期状态识别及趋势预测方法

[目的/意义]本研究对正处于演化过程中的话题进行状态识别及趋势预测,为相关部门了解话题现状,对话题进行有效监管提供科学依据。[方法/过程]首先,考虑网民情感,结合话题的新颖度和关注度,构建话题生命周期状态观测指标;其次,基于隐马尔可夫模型(HMM)和高斯混合模型(GMM)的原理,提出话题生命周期状态识别及趋势预测方法;最后,选用微博话题构建数据集,设计对比实验,验证方法的有效性。[结果/结论]基于GMM-HMM的话题状态识别及趋势预测方法的F1值和准确率均高于87%,MAPE低于3.5%,相较于GaussianHMM和BP神经网络具有较大优势。

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MoG-HMM的齿轮箱状态识别与剩余使用寿命预测研究

提出了基于混合高斯隐马尔可夫模型的齿轮箱状态识别与剩余使用寿命预测新方法。建立了基于聚类评价指标的状态数优化方法,通过计算待识别特征向量的概率值来识别齿轮箱当前状态。在状态识别的基础上,提出了剩余使用寿命计算方法。最后,利用齿轮箱全寿命实验数据进行验证,结果表明,该方法可以有效的识别齿轮箱状态并实现了剩余使用寿命预测,平均预测正确率为90.94%,为齿轮箱的健康管理提供了科学依据。

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.