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。

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。

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。

基于高阶马尔可夫链和高斯混合模型的光伏出力短期概率预测

为提高光伏电站出力预测的准确性,给调度决策人员提供更丰富的预测信息,提出一种基于高阶马尔可夫链(high order Markov chain,HMC)和高斯混合模型(Gaussian mixture model,GMM)的光伏电站短期出力概率预测方法。首先对光伏电站的历史出力数据进行HMC建模,通过计算邻近时段光伏出力数据的Pearson相关系数确定马尔可夫链的阶数,并统计历史数据得到邻近时段光伏出力的状态转移概率矩阵。然后以此为基础建立GMM形式的光伏出力概率预测模型,并提出基于相似气象条件下的数据样本对GMM中各高斯分布的均值与方差进行修正,最终得到光伏电站出力的概率密度函数。以实际光伏电站数据为例进行分析,结果表明所提出的概率预测方法具有较高的准确性,且与传统的点预测方法相比,概率预测能够为电网运行决策提供更多有益信息。

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%)。

基于隐马尔可夫模型和高斯混合模型结合的声音转换方法

针对隐马尔可夫模型较强的语音信号表征能力和高斯混合模型良好的声音转换效果,提出了一种了隐马尔可夫模型和高斯混合模型相结合转换线谱频率的方法,给出了理论推导和算法流程,并利用高斯建模实现了韵律特征的转换。利用所述算法对录制的两段语音进行了仿真实验,转换语音有较好的自然度和清晰度,ABX测试结果显示,文中算法得到的语音在听觉上有90.2%的概率更接近目标说话人语音。

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。

基于混合高斯隐马尔可夫模型的带式输送机堆煤时刻预测方法

提出了一种基于混合高斯隐马尔可夫模型的带式输送机堆煤时刻预测方法。该方法根据传感器采集的带式输送机功率时序数据建立带式输送机运行状态的混合高斯隐马尔可夫模型,基于该模型采用基于图的状态序列遍历算法和基于切普曼-柯尔莫哥罗夫方程的概率转移算法对带式输送机堆煤时刻进行预测:基于图的状态序列遍历算法通过寻找当前状态到堆煤状态的通路确定剩余时间;基于切普曼-柯尔莫哥罗夫方程的概率转移算法通过粒子群优化算法及切普曼-柯尔莫哥罗夫方程交叉验证来获取训练样本上失败状态的概率阈值,并计算当前的状态迁移到超过失败状态概率阈值的转移次数来确定剩余时间。基于煤矿生产实际数据集的实验验证了该方法可有效预测带式输送机的堆煤发生时刻。

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.

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。

一种采用高斯隐马尔可夫随机场模型的遥感图像分类算法

该文研究了无监督遥感图像分类问题。文中构造了图像的隐马尔可夫随机场模型(HiddenMarkov Random Fleid,HMRF),并且提出了基于该模型的图像分类算法。该文采用有限高斯混合模型(Finite Gaussian Mixture,FGM)描述图像像素灰度的条件概率分布,使用EM(Expectation-Maximization)算法解决从不完整数据中估计概率模型参数问题。针对遥感图像分布的不均匀特性,该文提出的算法没有采用固定的马尔可夫随机场模型参数,而是在递归分类算法中分级地调整模型参数以适应区域的变化。实验结果表明了该文算法的有效性,分类算法处理精度高于C-Means聚类算法.。

基于高斯马尔可夫随机场混合模型的纹理图像分割

针对以高斯马尔可夫随机场中的邻域像素互作用参数为特征、以高斯混合模型为分类器的二步纹理图像分割方法,提出一个两者相互结合的一步模型———高斯马尔可夫随机场混合模型,并给出其EM算法的迭代计算公式。利用该模型进行纹理图像的分割实验,发现该算法在纹理图像分割的精度上比前者有较大程度的提高。

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。

基于希尔伯特-黄变换和隐马尔可夫模型的气液两相流流型识别方法

为了研究垂直上升管中的气液两相流的流型,利用自制的多电导探针的测量系统采集了四种典型流型的电导波动信息。由于气液两相流电导波动信号的非平稳特征以及神经网络学习收敛慢等问题,提出了一种基于希尔伯特-黄变换(hilberthuang transform,HHT)和隐马尔可夫模型(hidden markov model,HMM)的两相流流型识别方法。该方法首先将信号经验模态分解(empirical mode decomposition,EMD)后的固有模态函数(IMFs)进行希尔伯特变换得到其幅值能量,并将其作为特征向量,输入到已经训练完毕的各状态HMM中,实现了对气液两相流的流型识别。实验结果表明:该方法能很好的识别垂直管内的4种流型,而且优于BP神经网络,从而为流型识别开辟了一条新的途径。

基于高斯-马尔可夫模型的海洋环境辨识方法

在解决海洋中的信号处理问题时,海洋环境的复杂性和多变性严重影响了信号处理系统的性能。为了在信号处理之前辨识出海洋环境参数,并将其融入信号处理框架中,则有希望提高信号处理器的性能。将海洋环境建模为高斯-马尔可夫模型,利用声速梯度数据和由Kraken模型得到的声压场数据,结合扩展卡尔曼滤波器算法,实现了对海洋环境的辨识。利用模基处理方法,简正波传播模型,可以辨识模函数和水平波数,并能估计出基阵所在位置的声压场。仿真数据和模型数据吻合较好,说明算法能够较好地估计海洋环境参数,为滤波、检测、定位、跟踪等应用提供了基础。

关于m重隐非齐次马尔可夫模型的混合性

研究了m重隐非齐次马尔可夫模型的混合性.首先给出了m重非齐次马尔可夫链混合性的定义,然后证明了m重非齐次马尔可夫链满足混合性的充分条件,最后将所得结果推广到了m重隐非齐次马尔可夫模型上,为进一步研究多重隐马尔可夫模型提供了理论基础.