基于情绪向量的隐半马尔可夫模型股市拐点预测方法

股市的情绪化倾向是股票市场具有高度不确定性的主要原因,直接利用历史数据的股票趋势预测方法难以适应市场情绪的多变性,在实际应用中效果不理想。文章针对市场情绪的不稳定性导致股市拐点难以预测的问题,提出一种基于情绪向量的隐半马尔可夫模型股市拐点预测方法(hidden semi-Markov model stock turning point prediction method based on sentiment vector,SV-HSMM)。针对市场情绪不可观察性,选取与市场情绪相关的主要特征,使用马尔可夫毯融合成市场情绪;利用隐半马尔可夫模型建模市场环境,构建市场情绪、市场状态和状态持续时间之间的结构关系;引入情绪向量平滑情绪的多变性,并利用Kullback-Leibler(KL)距离量化情绪热度;利用隐半马尔可夫模型的动态推理实现股市拐点预测。结果表明情绪向量方法具有更好的预测效果。

基于隐半马尔可夫模型的微震信号分割方法

微震监测系统采集到的连续微震信号中往往包含着多种微震事件,为了对各种事件做进一步的分析,如微震事件识别与分类、微震源定位等,对微震信号的分割进行研究是首要前提。针对此问题,提出了一种基于隐半马尔可夫模型(hidden semiMarkov model, HSMM)的微震信号分割方法,该方法将微震信号中有无微震事件发生视为HSMM中的状态转换过程,并考虑状态的持续时间。首先提取预处理后微震信号的香农能量包络作为特征,对应HSMM中的观测序列,然后对训练集信号使用Baum-Welch算法估计出HSMM最优参数,接着使用维特比算法预测待分割微震信号的状态序列,最后基于状态序列完成信号分割。使用来自实验室和隧道开挖工程中的微震数据验证了方法的有效性,对比方法为长短时窗比值(STA/LTA)算法和AIC拾取算法。实验结果表明,不论是初至时刻拾取还是结束时刻拾取,HSMM均取得了最好效果,平均拾取误差分别为5.44 ms和17.70 ms,且初至拾取误差在10 ms及20 ms内的占比分别为79.3%和100%。在对连续微震信号的分割实验中,HSMM的拾取效果也优于STA/LTA算法,初至时刻和结束时刻的平均拾取误差分别为3.55 ms和27.11 ms,优于STA/LTA算法的4.00 ms和167.88 ms。

基于自适应隐式半马尔可夫模型的设备健康诊断与寿命预测方法

针对设备健康诊断与寿命预测问题,提出一种基于自适应隐式半马尔可夫模型(AHSMM)结合多传感器信息的设备健康预测方法。提出了AHSMM的前向—后向算法、Viterbi算法和Baum-Welch算法,有效降低了模型的计算复杂性。利用最大似然线性回归训练对输出概率分布和驻留概率分布进行自适应训练,处理多传感器信息间的差异性,进行有效的多传感器信息融合,以更加准确地进行设备健康诊断与寿命预测。利用失效率理论建立了对设备剩余使用寿命进行预测的基本步骤。通过美国卡特彼勒公司液压泵的状态识别和健康预测实际案例对所提出的方法进行评价与验证,实验结果表明,基于AHSMM的设备健康诊断和性能衰退预测方法比传统的隐式半马尔可夫模型(HSMM)更有效。

小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用

为正确识别机械设备当前所处的退化状态,预防设备进一步退化和故障的发生,提出一种基于小波相关特征尺度熵和隐半马尔可夫模型(Hidden semi-Markov models,HSMM)的设备退化状态识别新方法。对采集到的设备振动信号进行小波相关滤波处理,得到信噪比较高的尺度域小波系数,在此基础上结合信息熵理论提出了沿尺度分布的小波相关特征尺度熵概念。构造信号的小波相关特征尺度熵/矢量,并以此矢量作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别。以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,同时还与基于小波相关特征尺度熵-HMM的状态识别法进行了比较,试验结果表明该方法能有效识别设备的退化状态。

基于小波特征尺度熵-隐半马尔可夫模型的设备退化状态识别方法及应用

机械设备从正常到故障往往经历一系列退化状态,正确识别设备当前所处的退化状态,对预防设备进一步退化和故障的发生具有重要意义。提出了一种基于小波特征尺度熵-隐半马尔可夫模型(HSMM)的设备退化状态识别新方法。通过小波变换提取小波特征尺度熵,然后构造信号的小波特征尺度熵向量,并以此作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别。并且以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,实验结果表明该方法能有效的识别设备的退化状态。

基于隐半马尔可夫模型设备退化状态识别方法研究

机械设备从正常到故障往往经历一系列退化状态,正确识别与估计设备当前所处的退化状态,对预防设备进一步退化和故障的发生具有重要意义。隐半马尔可夫模型(Hidden Semi-MarkovModels,HSMM)是隐马尔可夫模型(hidden Markov models,HMM)的一种扩展模型,克服了因马尔可夫链的假设造成HMM建模所具有的局限性,比HMM具有更好的建模能力和分析能力。由状态识别和HMM本质上的相通性,将HSMM引入到机械设备的状态识别中,提出了一种基于HSMM状态识别方法,描述了该模型的拓扑结构和主要参数以及相应的训练和识别算法。最后通过滚动轴承试验系统验证了方法的有效性。

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。

隐马尔可夫因子分析模型的半参数贝叶斯分析

因子模型在刻画潜在因素(因子)与观测变量间的影响关系并进而解释多元观测指标(变量)间的相关性方面具有重要作用.在实际应用中,观测数据往往呈现出时序变异多峰,偏态等特性.将经典的因子分析延伸到带有时齐隐马尔可夫模型的动力因子模型,并建立了半参数贝叶斯分析程序.分块GIBBS抽样器用以后验抽样.经验结果展示所建立的统计程序是有效的.

基于自回归隐半马尔可夫模型的设备故障诊断

提出了一种新的隐马尔可夫模型(HMM)拓展模型自回归隐半马尔可夫过程(Auto-Regressive Hidden Semi-Markov Model,AR-HSMM),并给出了模型参数的推导和相应的"前向-后向"算法.与传统的HMM相比,AR-HSMM有以下两个优点:①把传统HMM所假设的隐藏状态分布改进为显式高斯分布;②改进了传统HMM假设各观测变量相互独立的问题,通过在各观测变量之间建立联系,从而使之更加符合实际情况.在液压泵故障诊断中的应用实例表明,AR-HSMM在故障诊断中是非常有效的.

隐半马尔可夫模型在剩余寿命预测中的应用

剩余寿命预测是作出正确的状态维修决策的基础和前提,是设备退化状态识别的重要内容。隐马尔可夫模型(HMM)是一种具有较强模式分类能力的统计分析算法,但是它不能直接用于剩余寿命的预测,而且考虑到隐马尔可夫模型的局限性和剩余寿命预测模型的可解释性,应用隐半马尔可夫模型(HSMM)进行建模和预测。针对HSMM的训练算法极易陷入局部极值点的问题,提出了基于改进微粒群优化算法(MPSO)进行修正。实验结果证明了该方法在设备剩余寿命预测研究上的有效性和可行性。

无线Mesh网络基于隐半马尔可夫模型的跨层结合异常检测方法

目前无线Mesh网络异常检测的方法大多针对单一恶意攻击,还不具备检测来自不同协议层的恶意攻击的综合能力。提出一种基于多协议层跨层结合的异常检测方法,即采集多协议层结合的特征对网络运行状态进行全方位监测,并训练隐半马尔可夫模型对网络正常运行状态进行描述,通过计算多维观测序列相对于隐半马尔可夫模型的熵来评价其"正常性",从而发现源自不同协议层的恶意攻击行为。实验仿真证明,该方法能有效检测源自各协议层的多种恶意攻击,具有一定的通用性。

基于隐半马尔可夫模型的SWIM应用层DDoS攻击的检测方法

针对广域信息管理(SWIM)系统受到应用层分布式拒绝服务(DDoS)攻击的问题,提出了一种基于隐半马尔可夫模型(HSMM)的SWIM应用层DDoS攻击的检测方法。首先采用改进后的前向后向算法,利用HSMM建立动态异常检测模型动态地追踪正常SWIM用户的浏览行为;然后通过学习和预测正常SWIM用户行为得出正常检测区间;最后选取访问包的大小和请求时间间隔为特征进行建模,并训练模型进行异常检测。实验结果表明,所提方法在攻击1和攻击2情况下检测率分别为99.95%和91.89%,与快速前向后向算法构建的HSMM相比,检测率提升了 0.9%。测试结果表明所提方法可以有效地检测SWIM系统应用层DDoS攻击。

采煤机调高泵隐半马尔可夫模型磨损故障预测

针对采煤机调高液压系统中调高泵故障很大程度依赖于设计者和用户的知识和经验水平的问题,提出一种基于隐半马尔科夫模型(hidden semi-Markov model,HSMM)的故障预测方法。首先,对采煤机调高液压系统中调高泵压力、流量,调高油缸活塞杆速度、位移进行时域分析。然后,通过对特征值进行K-均值聚类分析确定隐状态数。最后,通过MATLAB和Python编程实现调高泵HSMM故障预测。结果表明:与基于隐马尔可夫模型(hidden Markov model,HMM)预测方法相比,调高泵早期故障、后期故障和灾变故障测试样本的预测结果识别率分别提高了10%、5%、20%,基于HSMM的调高泵磨损故障预测方法具有可行性。

主机型异常检测的隐半马尔可夫模型方法

提出基于HSMM模型的主机型入侵检测系统框架。以BSM审计数据作为数据源,提取正常主机行为的特权流系统调用序列,利用HSMM模型对正常主机行为进行建模,然后将当前主机行为与之比较,判定当前主机行为是否异常。选取特权流变化事件作为研究对象以缩短建模时间,同时滤去了过多的无用信息,一定程度上提高了检测效率。实验结果表明,提出的HSMM方法比HMM优越,同时该方法建模的系统不仅节省训练时间,而且在提高检测率的同时可以降低误报率。

基于隐半马尔可夫模型的微博流行信息检测方法

目前微博已成为人们发布信息和获取信息的一个重要平台。为了及早发现微博上的流行信息,以便及时发现微博上的热点事件,同时及时发现、抑制谣言信息的传播,使微博在网民的信息获取和信息发布中发挥更积极的作用,文中提出了一种基于隐半马尔可夫模型的微博流行信息检测方法。该方法以信息转发者的影响力等级和相邻两个转发者的时间间隔构建观测值,使用随机森林分类算法来自动得到转发者的影响力等级,利用隐半马尔可夫模型来刻画流行信息的传播过程,基于此来及早发现潜在的流行信息。该方法分为模型训练和流行信息检测两个阶段,在流行信息检测阶段,计算每条信息在传播过程中产生的观测序列相对于模型的平均对数似然概率,实时更新每条信息的流行度。使用采集的新浪微博数据集和Twitter数据集对所提方法进行了测试,实验结果表明了该方法的有效性。

基于小波能谱熵和隐半马尔可夫模型的LDoS攻击检测

低速率拒绝服务(low-rate denial of service,简称LDoS)攻击采用周期性发送短脉冲数据包的方式攻击云计算平台和大数据中心,导致连接用户的路由器丢包和数据链路传输性能下降.LDoS攻击流量平均速率很低,具有极强的隐蔽性,很难被检测到.在分析LDoS攻击流量的基础上,通过小波变换得到网络流量的小波能谱熵,并以此作为隐半马尔可夫模型(HSMM)的输入,设计采用HSMM网络模型的LDoS攻击判决分类器,提出了基于小波能谱熵和隐半马尔可夫模型的LDoS攻击检测方法.该检测方法在NS-2和Test-bed环境中分别进行了测试.实验结果表明,该方法具有较好的检测性能,通过假设检验得出检测率为96.81%.

多传感器和故障率隐半马尔可夫模型的剩余寿命预测方法

为解决复杂设备剩余寿命预测精度不高的问题,提出了一种基于多传感器和故障率隐半马尔可夫模型的剩余寿命预测方法。使用极大似然线性回归变换方法表示多传感器之间的差异,通过故障率与健康状态转换矩阵相结合的方法,建立多传感器和故障率隐半马尔可夫模型预测有效剩余寿命。实验结果表明,通过提出的故障率方程,利用某火炮炮管的多传感器历史监测数据,炮管的实际剩余寿命与预测剩余寿命的平均相对误差可以降低至6.6852%,提高炮管剩余寿命预测精度1.3%左右。

基于隐马尔可夫模型的煤矿胶带机异常时间点预测

煤矿胶带输送机的保护可以保障煤矿生产的平稳高效.针对如何有效地对胶带机发生异常的时刻的预测,提出了一种基于隐马尔可夫(Hidden Markov Model,HMM)和其改进型隐式半马尔可夫模型(Hidden Semi-Markov Model,HSMM)的胶带输送机异常时刻预测的方法.通过对胶带输送机保护传感器采集的时间序列进行特征提取,建立对应的HMM模型及HSMM模型,对胶带机异常发生时刻进行预测.在实际生产数据集上的实验表明,HMM和HSMM模型可以有效地对异常事件发生的时间点进行预测.

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。

改进隐马尔可夫模型在日降雨发生模拟中的应用

一般的隐马尔可夫模型(HMM)无法有效地在观察和隐藏过程中纳入季节性变量。将一般的隐半马尔可夫模型(HSMM)加以改进,允许马氏链状态的任意停留时间分布。应用R函数,建立了包含季节性的停留时间分布的HMM模型,模拟了河北省各城市日降雨的发生。模拟结果表明,特别是在隐藏的马氏链中,该模型可以有效地在观察过程和隐藏过程中纳入季节性变量;普通HMM模型的状态预测、解码和模型检验的公式和方法也同样适用于该模型。