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。

基于Contourlet域隐马尔可夫树模型的图像融合

基于Contourlet域的隐马尔可夫树模型能反映不同尺度系数之间、不同方向系数之间的相关性,基于此,提出了一种基于Contourlet域隐马尔可夫树模型的图像融合算法。对源图像进行Contourlet变换,并针对高频子带系数建模并训练得到每一系数的后验概率;利用该后验概率指导高频系数融合的规则,对边缘和背景区域进行不同的融合处理,以尽可能保留原始图像的重要特征;进行Contourlet反变换得到最终融合结果。针对多聚焦图像进行了融合实验,采用联合熵、熵、相关系数、清晰度等指标对融合效果进行评价,实验表明了该算法优于基于Contourlet域的常规融合算法以及小波域隐马尔可夫树融合算法。

基于Contourlet域的隐马尔可夫树模型的图像融合算法

提出一种基于Contourlet域隐马尔可夫树(CHMT)的多聚焦图像融合方法。CHMT能有效捕获不同尺度系数之间、不同方向系数之间的相关性,能为图像融合提取更多的特征信息。算法对低频子带采用区域方差法,高频子带则依据训练后模型的每一系数的后验概率进行不同的融合处理,以减少融合图像边缘处的斑块模糊现象。仿真实验结果表明,该算法优于基于Contourlet域的常规融合算法,融合后的图像具有更好的主观视觉效果。

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。

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MG-HMT模型的正交有限脊波域图像分割

针对图像分割中的过分割问题,提出了一种基于图像混合高斯-隐Markov树(Mixture Gaussian-hiddenmarkov tree,MG-HMT)模型的正交有限脊波分析的图像分割算法。正交有限脊波变换处理信息时具有检测信号线奇异的能力,在图像分割中为准确定位信息的边缘、轮廓提供了有力的支持。其次,对图像的小波系数建立了混合高斯-隐Markov树(MG-HMT)模型来描述其在不同尺度子带间的相关性,并利用小波系数自身的传递性和同层小波系数相关性进行补偿处理。仿真结果表明,采用本文算法实现的图像分割,有效地检测出图像信息的线奇异,从而减小了由于干扰在梯度图中造成虚假的局部极值而产生的过分割现象,准确地定位了图像的区域信息。

基于连续高斯密度混合HMM的滚动轴承故障诊断研究

滚动轴承在直升机的传动系统中占有十分重要的地位,对其进行快速有效的状态监测与故障诊断具有重大意义。由故障诊断和隐马尔可夫模型(HiddenMarkovModel,HMM)本质上的相通性,利用连续高斯密度混合隐马尔可夫模型分析滚动轴承的振动信号,先以基于短时傅里叶变换的倒谱系数为特征训练模型,再利用模型进行状态监测和故障诊断,实验结果表明该方法能利用少量样本进行训练和有效诊断,且具有训练时间短、诊断速度快的优点。

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IPSO-FHMM的非侵入式负荷分解

非侵入式负荷分解是智能用电系统的一个重要环节,可深入分析用户的用电信息,对负荷预测、需求侧管理及电网安全有重要意义.本文提出了一种基于改进粒子群优化因子隐马尔可夫模型(IPSO-FHMM)的非侵入式负荷分解方法.利用高斯混合模型(GMM)对单负荷进行状态聚类,总负载模型由因子隐马尔可夫模型表示.针对Baum-Welch算法容易收敛于局部极值的问题,将线性递减权重的粒子群优化算法引入到FHMM的参数训练中.使用AMPds2数据集进行仿真实验,结果表明,该模型可以有效地提高分解精度.

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。

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。

基于HMM的自适应软件决策模型

为实现软件的自适应,针对复杂多变的运行环境,提出一个基于隐Markov模型(HMM)的自适应软件决策模型.首先运用高斯混合模型(GMM)对初始环境进行分类,然后使用softmax回归对感知环境进行归类划分处理,最后利用HMM代替人工干预进行软件决策.实验结果表明,该自适应软件模型在感知环境发生变化的条件下,能很好地实现软件自适应决策.

基于瓶颈复合特征的声学模型建立方法

针对梅尔频率倒谱系数(MFCC)语音特征不能有效反映连续帧之间有效信息的问题,基于深度神经网络相关性和紧凑性特征,提出一种融合神经网瓶颈特征与MFCC特征的复合特征构造方法,提高语音的表征能力和建模能力。从语音数据中提取MFCC特征作为输入数据,将MFCC特征和BN特征进行串接得到新的复合特征,并进行GMM-HMM声学建模。在TIMIT数据库上的实验结果表明,与单一的瓶颈特征和深度神经网络后验特征相比,该方法识别率明显提升。

复Contourlet域有向图与高斯混合模型的声呐图像增强

提出了复Contourlet域(CCT)中有向图与高斯混合模型的声呐图像增强算法。采用复Contourlet分析提取各尺度中声呐图像每一方向的弱特征信息;为建立特征信息间的联系,考虑复Contourlet域相邻尺度间子带系数的状态具有Markov性,子节点系数的状态依赖于父节点系数状态,构建有向概率图模型反映复系数的这种持续性;尺度内,构建高斯混合模型来建立同尺度中特性信息的联系,以两状态高斯混合模型来表征子带系数的非高斯边缘分布;最后,采用期望最大(EM)算法训练模型参数估计增强图像的系数,实现声呐图像增强。实验结果表明,本文算法与小波域隐马尔可夫树(HMT)算法、Contourlet域HMT算法相比,峰值信噪比(PSNR)增大4 dB以上,结构相似(SSIM)指数增加0.3;本文算法不仅能较好地抑制了声呐图像的强噪声,同时保留了图像边缘和轮廓等弱特征信息。

城市道路车辆行为识别方法研究

为了提高城市道路驾驶的安全性,提出一种基于混合高斯隐马尔科夫模型的城市道路车辆行为识别方法。首先通过仿真平台获取城市三车道道路场景的车辆运动轨迹信息和车辆信息并对其进行数据处理和特征提取,选取目标车辆车头中心与初始所在车道右侧车道线的距离,以及目标车辆纵向和横向速度作为特征参数,再通过鲍姆-韦尔奇算法对模型参数进行训练迭代更新,最后结合前后向算法实现城市道路车辆行为的识别。仿真结果表明,采用混合高斯隐马尔科夫模型对城市道路车辆行为进行识别具有较高的精度。

系数多状态关联的图像NSST-HMT模型

近年来,非下采样Shearlet变换(non-subsampled shearlet transform, NSST)因其具有各向异性,多方向捕捉性的同时,还兼具平移不变性,从而在图像恢复过程中发挥着重要的稳定作用.本文首先对图像NSST子带内系数关系、子带间系数的'父子关系'和'兄弟关系' 3方面进行分析,获得子带内系数具有稀疏性、子带间'父子关系'和'兄弟关系'系数均具有聚集性和传递性的结论.在此基础上提出一种基于系数多状态关联的隐Markov树模型(multi-state non-subsampled shearlet transform hidden Markov tree, M-NSST-HMT),该模型通过将NSST子带间系数的'父子关系'和'兄弟关系'作为共同指导子带间系数传递的状态来估计重构系数,并利用两种状态关联的互信息来对重构系数进行整合.最后将所提出的模型应用于图像去噪并取得良好的去噪效果,结果表明所提出的模型较传统HMT模型能够更好地揭示图像NSST变换后子带内和子带间系数的关系,并提高系数的预测准确性.

应用说话人聚类技术改善语言辨识系统识别率

说话人差异是影响语言辨识系统性能的一个重要方面。采用说话人聚类技术对训练数据进行了预分类,以此为基础训练各种语言模型,得到聚类后的语言辨识系统。高斯混合模型、高斯混合模型-全局背景模型和遍历隐马尔可夫模型3种语言模型的实验证明,这种方法是有效的,它普遍地减小了说话人差异对语言辨识的影响,提高了语言辨识率。

基于像素分类的自适应SAR图像融合算法

提高纹理清晰度、保护边缘信息是合成孔径雷达(SAR)图像融合的重要目标。针对该问题,提出了一种基于像素分类的自适应SAR图像融合算法。首先使用canny算子提取图像的边缘并分类,然后利用混合高斯模型和隐马尔可夫树模型对小波系数进行建模;在此基础上使用EM算法求得模型参数,并进一步得到隐状态的概率,也就确定了小波系数的混合高斯分布;接着对两个待融合小波系数不同的类型组合采用不同的融合策略,并以隐状态概率加权;最后通过小波反变换、边缘分类增强获得融合以后的图像。实验结果表明,和传统的融合算法相比,该算法取得了更好的融合效果。