耦合隐藏马尔科夫模型的算法研究

本文在隐藏马尔科夫的基础上介绍了耦合隐藏马尔科夫模型,基于隐藏马尔科夫的算法计算了耦合隐藏马尔科夫模型的对数似然函数,提出了耦合隐藏马尔科夫模型的EM算法及Viterbi算法,用以估计模型的参数及隐藏状态序列,最后利用实例讨论了该算法的准确性及有效性.

基于遗传算法的耦合隐马尔科夫模型的故障诊断方法

针对有效利用多通道数据进行准确、灵敏的故障诊断的问题,研究了一种基于遗传算法的耦合隐马尔科夫模型的故障诊断方法。该方法是通过遗传算法优化耦合隐马尔科夫模型参数,以优化参数后的耦合隐马尔科夫模型拟合设备各状态数据建立状态模型库,再计算待诊断信号的极大似然概率值判断设备状态。通过对滚动轴承6种状态实验数据的分析,表明遗传算法能对耦合隐马尔科夫模型参数进行有效优化,且这种基于遗传算法参数优化的耦合隐马尔科夫模型能准确、灵敏地进行故障诊断,且能以极少量数据识别出状态变化。相比于传统故障诊断方法,该方法可不进行特征提取直接建立诊断模型,简化了诊断流程且能更好利用隐马尔科夫模型对状态转变敏感的特性。

一种自适应立体脑图像分割方法

提出一种自动分割单通道磁共振脑图像的新方法．这种方法建立在耦合的马尔科夫模型的基础上。耦合马尔科夫模型使用了两个空间上交织的马尔可夫随机场先验模型．其一对亮度测度建模以实现分段光滑性约束,另一个对非连续性建模以控制相邻体素间的交互作用。依据这一模型,该方法使用贝叶斯理论和领域约束获得了区域和边界的量大后验概率估计。这种方法具有如下属性:①大脑图像被准确地分割成白质、灰质和脑脊髓:②对噪声和亮度不一致性具有较强的鲁棒性。

基于CHMM的背景差算法

为了解决背景差算法在前景提取的过程中对光照变化的敏感性和提取的前景中容易产生椒盐噪声的问题,提出了一种基于耦合隐马尔科夫模型的背景差方法。对像素的马尔科夫性进行了分析,并对像素建立耦合隐马尔科夫模型,通过时间统计的方法统计了像素隐含状态的转移概率,通过实验的方法选取了合适的前景标准差和背景标准差,利用Viterbi算法来求解耦合隐马尔科夫模型的最优隐含状态问题,运用该算法对一段交通监控视频进行分析,表明了该算法能够有效的抑制光照变化的影响,并且能够在一定程度上抑制前景噪声的出现。