连续隐半马尔科夫模型在轴承性能退化评估中的应用

连续隐半Markov模型(Continuous hidden semi-Markov model,CHSMM)是隐Markov模型(Hidden Markov model,HMM)的一种扩展形式,可用于时间序列过程的动态建模。通过加入状态分布参数并对多组观测值进行连续化,可加强模型对新观测值的处理能力以及对状态驻留时间的建模能力。利用该方法建立了轴承性能退化的评估模型。首先,分析振动信号并提取频带能量作为退化特征;然后将正常状态下的特征样本作为模型的观测值对CHSMM进行训练;最后将待测的特征样本输入模型,得到待测样本相对于所建立正常模型的输出概率,作为轴承性能退化状态的标志。轴承疲劳寿命试验结果表明:所提的评估模型能较好地刻画轴承性能退化的过程,并能在早期对轴承的性能退化做出预警。

半连续隐马尔科夫模型脱机阿拉伯手写识别

提出一种基于半连续隐马尔科夫模型的脱机阿拉伯手写识别系统。该系统采用滑动窗口技术直接从数字图像提取像素密度和凹度特征,没有复杂的预处理操作,每个窗口被划分为前景像素数目相同的4个子窗口,前后相邻窗口的重叠为窗口宽度的1/2,且特征的维数仅为36维,节约了系统的计算量。采用半连续隐马尔科夫模型对字符进行建模,而词的模型采用嵌入式训练方法,无需对词进行预先分割,从而避免了切分引入的误差。在IFN/ENIT测试数据库上的测试结果表明,一个最佳输出时平均识别率能够达到86.6%。

基于隐马尔可夫模型的半结构化文本信息抽取研究

随着互联网和信息技术的快速发展,大量的文本数据在互联网上被生成和存储,这些文本数据包含了丰富的信息。然而,大部分文本数据都是半结构化的,即数据的组织结构不完整或不规则,不适合直接进行分析和处理。因此,半结构化文本信息抽取成为了一个重要的研究领域,文章基于隐马尔科夫模型对半结构化文本信息的抽取进行研究。

基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.

基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型

提取多通道脑电(EEG)功率谱特征,训练连续高斯密度混合隐马尔科夫模型(CHMM),建立了基于功率谱-CHMM的精神疲劳分级模型.分级结果表明:EEG各节律功率谱及其比值是精神疲劳的敏感指标,CHMM对于不同的精神疲劳状态具有较高的分类精度,最高分类正确率达到97.5%;在训练样本相同的情况下,CHMM比反向传输人工神经网络具有更高的分类精度.

连续隐马尔科夫模型在多基地目标识别中的应用

多基地声纳组网探测系统是目前大范围水下安保领域的研究热点。综合利用多基地系统中各个声纳节点的信息进行水下目标识别是亟待解决的问题。利用传统的多传感器融合的方法进行多基地水下目标识别,往往忽略了各声纳节点之间的相关性,效果并不理想。针对这一问题,本文提出了利用连续隐马尔科夫模型(CHMM)进行多基地水下目标识别的方法。首先利用RELAX算法提取了目标在不同分置角上回波的强散射点特征,组成观测向量,利用Baum-Welch方法对CHMM参数进行训练,然后计算待识别目标的特征值观测序列在不同模型下的似然概率。对所有目标重复此过程,取概率最大值对应的目标类别为最后的识别结果。在消声水池开展多基地模拟实验,对四类目标进行了识别,利用CHMM方法得到的多基地水下目标融合识别率比多基地声纳下单声纳节点的最高识别率提高了30%。

基于连续隐马尔科夫模型的步态识别

步态识别主要是通过人体走路的姿势来识别人的身份,近来年,步态作为一种生物特征识别技术备受计算机视觉研究者的关注.给出了基于连续隐马尔科夫的步态识别方法:研究了静止背景下人体步态的检测以及基于步态的人体身份识别技术,主要包括背景建模、人体检测、轮廓特征提取及连续隐马尔科夫识别和分类.在小数据库上取得了超过95%的识别率;实验结果表明,本方法有效.

基于隐半马尔科夫退化模型的非等周期预防性维修优化

以单位时间维修费用率最小化为目标,研究非等周期下预防性维修优化问题.采用隐半马尔科夫模型(HSMM)完成退化过程时间序列的动态建模,采用多维特征变量描述设备退化状态,建立设备性能退化评估模型.为减小信号噪声对HSMM训练的影响,采用经验模态分解(EMD)分析传感器信号,获得降噪后的退化特征;将多维特征样本作为模型观测值完成HSMM训练,并获取状态转移函数矩阵;以役龄回退因子描述维修效果,采用增强精英保留遗传算法(SEGA)求解维修优化模型,得到维修次数和维修间隔的优化解.以某航空发动机全寿命周期检测数据为例,完成案例分析.结果表明:针对4个退化状态下的非等周期维修模型,初始维修周期和维修总次数分别为13.79、19,每个作业周期费用率为257499美元,为预防性维修计划的制定提供理论依据.

基于隐式半马尔科夫模型的柴油机故障诊断研究

以柴油机连杆套筒磨损为例,建立了用于磨损状况诊断的隐式半马尔科夫模型(HSMM)。将连杆套筒的健康状况分为5级,利用该模型进行故障的监测。试验和仿真结果表明:HSMM模型能较准确地判断出各个不同时期连杆套筒的健康状态,从而正确指导操作者对其进行及时的维护或修理,保证柴油机良好运转。

层次狄利克雷过程隐半马尔科夫模型识别飞行员脑疲劳状态

在民航及军用航空领域,长期恶劣飞行环境的影响将导致飞行员精神不集中,产生疲劳现象,严重影响飞行员的判断能力.因此,研究飞行员的脑疲劳状态对飞行安全来说非常重要.脑疲劳推理主要面临二个基本问题:一是如何提取脑疲劳认知的特征,二是如何识别带驻留时间的脑疲劳认知潜在状态.针对第1个问题,本文提出一种基于Kaiser窗函数的光滑伪仿射维格纳–维勒分布的方法,提取主要认知脑区的脑电节律的瞬时频谱特征.并与其他时频分布的特征进行对比,本文的特征具有明显的局部显著性.针对第2个问题,本文建立一种基于剩余寿命的隐半马尔科夫模型(HSMM)的飞行员脑疲劳认知动力学推理模型,解决了传统隐马尔科夫模型潜状态快速切换及无法对潜状态驻留时间进行建模的问题.飞行员脑疲劳认知行为是由多通道的脑节律融合的整体表现行为,建立多通道共享狄利克雷过程先验参数的层次学习网络,形成共享疲劳认知主题的子任务学习机制.实验结果显示本文的模型具有较高的推理飞行员脑疲劳状态的能力,具有广泛的应用价值.

基于改进连续隐马尔科夫模型的风机齿轮箱故障诊断

连续隐马尔科夫模型(CHMM)应用于风机齿轮箱故障诊断,针对隐马尔可夫模型训练算法易收敛于局部最优解,提出了一种改进的BSA-CHMM参数训练算法,将鸟群算法(BSA)与Baum-Welch算法相结合,可有效的跳出局部最优解。分析振动信号并利用小波包分解与重构提取频带能量作为特征向量;将正常及各故障状态的训练样本特征作为模型观测值输入BSA-CHMM模型进行训练;最后将各检验样本特征输入各状态模型中,得到输出概率作为故障诊断的评判依据。通过Matlab仿真试验结果表明:所提出的诊断方法能够准确地诊断出故障状态,且相较于传统的CHMM训练算法能取得更好的训练结果。

基于优化VMD和连续隐马尔科夫模型的管道堵塞状态评估

面向U型管堵塞状态演变过程中故障程度的评估问题,提出一种基于低频声压信号分析和连续隐马尔科夫模型(CHMM)的U型管堵塞状态评估方法。该方法利用声波作为激励来观测U型管沉积物的堆积程度,对不同堵塞状态下的低频声压信号进行变分模态分解(VMD),根据分量幅值谱图确定变分模态分解的最佳模态分解数k并通过声压级变换筛选有效的IMF分量;然后提取有效IMF分量的多尺度熵(MSE)特征,构建反映U型管不同程度堵塞状态的特征向量,最后将特征向量用于CHMM模型训练,建立能对U型管堵塞状态进行评估的模型。通过对U型管不同程度堵塞状态的试验数据进行测试,评估结果表明:该模型能准确评估U型管堵塞状态的程度变化,具有一定的工程应用价值。

基于隐马尔科夫模型的CPM信号盲Turbo均衡算法

针对高阶连续相位调制信号(CPM)盲均衡中存在的均衡性能较差以及不容易收敛等问题,从隐马尔科夫模型(HMM)的角度出发,建立一种新的EM-SOVA信道盲均衡方法,并结合Turbo均衡思想,提出了一种适用于高阶CPM信号的盲Turbo均衡算法。该算法通过将SOVA内嵌到EM算法的迭代过程中,有效改善了信道均衡效果,同时使用Turbo均衡的软信息迭代处理来进一步提高低信噪比条件下系统性能。理论分析和仿真结果表明,所提算法具有良好的盲均衡性能以及收敛性。

连续隐马尔科夫的静态手势识别法

首次将连续型隐马尔科夫模型应用于静态手势识别中,根据该方法的特点,选用手型轮廓像素点坐标值序列作为静态手势的数据特征.采用微软公司的Kinect体感设备提取并追踪手势,为几种常用的静态手势训练HMM模型库,并使用该模型库进行静态手势识别实验.实验将该方法与使用SVM方法进行对比,结果表明这种方法的识别率高,训练模型所需样本少,简单灵活.

基于连续隐马尔科夫模型的高速铁路接触网性能退化分析

以某高铁线路特定区间的接触网为研究对象,对该接触网服役期间的动静态参数进行特征提取,通过采用连续隐马尔科夫模型(CHMM)实现了对接触网当前状态的识别及性能退化分析,经实例分析验证了结果的正确性以及该方法用于接触网性能退化分析的可行性。

基于加权自回归隐马尔科夫模型的语音识别

对于非特定人语音识别问题,针对隐马尔科夫模型中假设提取的观察矢量之间相互独立且数据不足的困难,文章在连续隐马尔科夫(CHMM)模型的基础上提出了基于加权自回归HMM(WARHMM)的语音识别方法,该方法利用加权自回归过程得到观察矢量,从而获得隐状态输出。这种方法可以充分利用已有的观察数据,适合于实际随机性较强的语音信号的识别。实验结果证明了提出方法的有效性。

基于WSN的隐马尔科夫模型煤矿井下定位

针对煤矿井下定位精度不高的问题,提出一种隐马尔科夫模型(Hidden Markov Model,HMM)的定位方法。通过比较隐马尔科夫模型和粒子滤波模型推断出,当定位的数据需要通过多跳的方式传播时,使用半马尔科夫平滑移动模型(Semi-Markov Smooth Mobility Model,SMS)来估计误差,能量消耗,能提升定位精度。

基于连续隐半马尔可夫模型的复杂轨迹演示示教算法研究

针对工业机器人传统示教方法示教效率低、操作难度大的问题,提出了一种演示示教算法,通过人对目标轨迹的多次演示生成形状复杂且位置精确的示教轨迹。将轨迹中运动状态发生较大变化的点定义为关键点,使用改进的多尺度曲率积算法和连续隐半马尔可夫模型获取不同示教轨迹特征一致的公共关键点。以各个公共关键点簇的中心点作为示教轨迹分割点,将形状复杂、不易拟合的轨迹分割成多条结构简单的子轨迹,利用最小二乘B样条分段拟合曲线以形成最终的示教轨迹。通过实验证明该算法具有良好的示教精度及易用性。

基于隐半马尔可夫模型的用户兴趣特征提取

针对网络用户兴趣行为特征的抽取,提出了一种基于隐半马尔可夫模型的用户兴趣特征提取模型,通过用状态驻留时间的概率来控制用户浏览行为,使描述兴趣特征的隐状态和时间的相关性更紧密地结合起来,并且根据隐半马尔可夫模型可以产生多观察值序列的特性,把文本信息划分成多个文本块子区域,使每个子区域的特征和其中一个观察值序列对应起来。实验结果表明,利用隐半马尔可夫模型进行特征提取比HMM方法有更高的准确率和召回率。

半连续HMM码本生成算法的研究

对基于半连续隐马尔科夫模型(SCHMM)语音识别系统的码本生成算法及其原理进行了探讨。阐述了译码器扰动简化随机松弛聚类算法(SR-D)，并将其应用到初始码本生成中。实验结果表明这种方法能显著地提高系统性能。初始码本生成后，采用最大似然准则对生成的码本进行了训练，使得码本和SCHMM其它参数达到较好的一致。也探讨了码本大小及其对最终性能的影响并给出了相关实验结果。