基于隐马尔科夫模型(HMM)与张量分解的两阶段个性化推荐模型与应用

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。

基于隐马尔科夫模型的汉语韵律词基频模型

提出了一种基于隐马尔科夫模型（HMM）的汉语韵律词的统计基频模型。模型能反映韵律环境和基频曲线参数之间的映射关系,从模型可以估计一段基频曲线和一段文本之间的相关度,也可以从文本生成相应的基频曲线。本方法使用HMM作为基木框架,具有HMM理论体系所能支配的各种优点。同时将韵律作为模型单元,使得模型能够反映韵律层次级的连续变调。最后给出了实验结果并对模型的应用前景进行了展望。

易流态化货物船运风险评判的隐马尔科夫模型

为了预报船载易流态化固体散装货物的风险态势,利用隐马尔科夫模型(HMM),定量化评判船舶营运安全风险。首先确定易流态化货物船舶运输风险的影响因素,构建评判结构模型,采用HMM刻画变量的关联特征;然后通过问卷调查数据和Baum-Welch算法确定模型参数,根据特定的航次信息,结合前向算法和风险衡准描述风险瞬态和风险态势;最后通过建立多场景的模拟航次,检验风险评判模型的有效性。研究表明:航次前阶段货物流态性对船运风险的影响明显,影响度为1.49;后阶段环境恶化对船运风险影响大,影响度高达1.65。

在部分信息下股票收益服从隐马尔科夫模型的最优交易策略

讨论了部分信息下股票支付红利的最优交易策略.考虑一个多种股票模型,股票价格过程满足随机微分方程,股票价格的瞬时收益率由有限状态连续时间的马尔科夫链刻画.在投资者终端财富预期效用最大化目标下,利用隐马尔科夫模型(HMM)滤波理论和Malliavin分析,导出最优交易策略的显式表达式.

基于隐马尔科夫模型的中文分词研究

一直以来，汉语自动分词是公认的汉语信息处理瓶颈。反思现有汉语自动分词技术，发现均有隐舍两大假设：语言是规律的、词具有确定边界？这与语言的复杂性、组合性、动态性、模糊性特征不符。本文采用一种基于隐马尔科夫模型（HMM）的算法．通过CHMM（层叠形马尔科夫模型）进行分词，再做分层，既增加了分词的；隹确性，又保证了分词的效率。

基于隐马尔科夫模型的无线传感网络入侵检测系统设计与性能分析

本文基于Zigbee无线协议,搭建了7个节点的树形无线传感网络拓扑,通过隐马尔科夫HMM模型的Baum-Welch算法迭代训练正常网络的模型。选取"节点通信频度"、"节点通信拥挤度"、"数据传输方式"序列组合作为入侵特征识别点,实验表明,在仿真环境下,以10个连续数据帧作为一个单元,特征识别点选择阈值为4,系统能很好的区分正常网络和入侵网络,具有较好的检测效果。

隐马尔科夫模型及其在面像识别中的应用

本文介绍了隐马尔科夫模型、面像识别技术 ,提出了基于HMM的面像识别方法 ,评估了基于HMM的面像识别软件 。

一种基于隐Markov模型(Hidden Markov Model,HMM)的态势评估模型

随着网络技术的发展,网络规模和复杂性不断增大,网络的脆弱性越来越多,网络的攻击技术不断革新,新型的攻击工具大量涌现,传统的网络安全技术显得力不从心,网络安全问题越发严峻。网络安全技术从传统的入侵阻止、入侵检测发展到入侵容忍、可生存行研究,从关注信息的保密性发展到关注信息的可用性和服务的可持续性,从关注单个安全问题的解决发展到研究整个网络的安全状态及其变化趋势。本文在影响网络安全态势的各个原因综合分析的基础上,提出了一种基于隐Markov模型(Hidden Markov Model,HMM)的态势评估模型及其实现方法。该方法主要用在评估单个资产的保密性、完整性和可用性态势分量。

基于隐马尔可夫模型的无线传感网络入侵检测系统

当无线传感网络受到不同攻击类型的入侵时,当前的无线传感网络入侵检测系统对于入侵节点的检测率和数据传输成功数量过低,因此基于隐马尔可夫模型(Hidden Markov Model, HMM)设计了一种无线传感网络入侵检测系统。首先,基于HMM建立检测流程,分析HMM结构;其次,将观测序列之间匹配的概率作为入侵检测的判断依据,并提取入侵攻击特征,包括节点的工作状态、活动情况、位置等信息;最后,优化入侵检测算法,将传感器节点和数据中心分离进行匹配计算,最大限度化简计算步骤,提升系统检测效率。系统性能测试结果表明,设计的系统在不同的攻击类型下,测试周期内入侵节点检测数量和成功接收的数据量均高于原有系统,验证了系统的高可靠性。

基于改进HMM的车辆轨迹匹配方法研究

针对传统基于隐马尔可夫模型(HMM)的车辆轨迹匹配算法在复杂特殊路段无法兼备准确率与时间效率的问题,提出了基于改进HMM建模的车辆轨迹匹配方法。在候选路段的确定上通过生成网格索引提高整体检索效率,改进的HMM模型在发射概率的计算上综合航向角因素,考虑车辆速度对航向角造成的偏差影响,并设置经验因子进行调节。同时,考虑前后观测值误差过大及曲线路段等影响因素,采用单位采样间隔内的车辆实际行驶距离代替观测距离值,以保证传递概率计算的准确性。最后,利用实测数据进行试验,验证算法的性能。实验结果表明,所提方法匹配准确率约94.0%,相较于传统HMM轨迹匹配方法提高了2.8%,在提高时间效率及复杂路段的匹配准确度上也具有一定优势,单点匹配时间减少约0.9 ms,适用于交叉路口、立交桥、平行路段等复杂路况下的匹配。

改进隐马尔科夫模型的地面装备退化状态识别

传统隐马尔科夫模型(HMM)解决地面装备中关键设备退化状态识别问题时,在学习训练过程中参数容易局部收敛导致识别精度较低,针对这一问题,提出一种基于自适应粒子群优化的改进HMM算法。在基础粒子群算法中加入惯性权重因子,并根据算法迭代结果对算法各因子大小进行动态控制,增强该算法的全局搜索能力。改进后的粒子群算法融入HMM模型训练过程参数学习的优化过程,能够提高HMM的训练精度。将其应用到地面装备中油机电站的退化状态识别当中,对实测振动数据进行分析,与标准算法相比,发现所提算法对油机处于不同退化状态的分类准确率都有所提升,整体识别精度达到96.4%。结果表明,基于自适应粒子群优化的HMM退化状态识别方法能够有效解决传统模型的局部收敛问题。

基于多参数融合优化的隐马尔科夫模型的设计

为了设计融合MFCC语音特征参数、声学模型和高斯混合分量参数优化的隐马尔科夫模型,通过构建由28个人录制的数字0到9,每人每个数字录制2次,共560个离散数字的语料库,根据HTK的基本原理及语音识别系统的体系结构,搭建一个基于多参数融合的隐马尔科夫模型(HMM)的语音识别系统。实验结果表明,测试MFCC特征参数的维度、音节和声韵母声学模型、高斯混合分量个数等参数的不同组合,逐步提高识别率来优化隐马尔科夫模型,并且分析不同参数融合的HMM对离散数字语音识别系统的影响。

基于隐马尔科夫模型的履带行走装置状态识别

针对驱动轮断齿故障对履带车行驶振动的影响,在实验室对小型履带车展开驱动轮正常、断齿状态的路面振动测试。基于隐马尔科夫模型(HMM)的状态识别方法,对履带行走装置在不同运行状态的振动信号进行分析识别,利用小波包分解求出各种状态在不同频带上的能量百分比作为HMM的输入特征向量,建立包含驱动轮正常、断齿两种状态的HMM模型库,把测试样本输入到HMM模型库中,依据最大对数似然值对运行状态进行识别。结果表明,该方法状态识别结果良好,识别率高达90%,对驱动轮正常、断齿两种状态的分类取得了理想的效果。

隐马尔可夫模型(HMM)参数迭代与语音识别

本文分析了隐尔可夫模型(HMM)的参数迭代与语音识别问题,导出了一系列的参数寻优迭代公式,利用这组迭代公式,不易产生计算时的上溢与下溢,有效地提高了HMM语音识别系统的识别率与可靠。

SVM+BiHMM:基于统计方法的元数据抽取混合模型

提出了一种SVM+BiHMM的混合元数据自动抽取方法.该方法基于SVM(support vector machine)和二元HMM(bigram HMM(hidden Markov model),简称BiHMM)理论.二元HMM模型BiHMM在保持模型结构不变的前提下,通过区分首发概率和状态内部发射概率,修改了HMM发射概率计算模型.在SVM+BiHMM复合模型中,首先根据规则把论文粗分为论文头、正文以及引文部分,然后建立SVM模型把文本块划分为元数据子类,接着采用Sigmoid双弯曲函数把SVM分类结果用于拟合调整BiHMM模型的单词发射概率,最后用复合模型进行元数据抽取.SVM方法有效考虑了块间联系,BiHMM模型充分考虑了单词在状态内部的位置信息,二者的元数据抽取结果得到了很好的互补和修正,实验评测结果表明,SVM+BiHMM算法的抽取效果优于其他方法.

基于隐马尔可夫模型的异常检测

首先建立了一个计算机系统运行状况的隐马尔可夫模型 ,然后在此模型的基础上提出了一个用于计算机系统实时异常检测的算法 ,这个算法根据最大信息熵原理 ,通过比较固定长度系统行为序列的平均信息熵和一个预先给定的阈值来检测入侵行为 .论文还给出了该模型的训练算法 .这个检测算法的优点是准确率高 ,算法简单 ,占用的存储空间很小 。

基于量子粒子群优化Volterra时域核辨识的隐Markov模型识别方法

将量子粒子群优化算法引入Volterra级数模型的非线性辨识中,并结合隐Markov模型(hidden Markov model,HMM),提出了一种基于量子粒子群优化的Volterra时域核特征提取的HMM识别方法,在提出的方法中,利用量子粒子群优化算法辨识得到的前三阶Volterra时域核作为故障特征,输入到各种状态的HMM中,其中,输出概率最大的HMM对应的状态即为设备的当前运行状态。提出的方法克服了传统的基于Volterra模型系统的机械故障诊断要求目标函数连续可导、容易陷入局部最小以及抗干扰能力差等缺陷。最后,将提出的方法应用到旋转机械故障诊断中。实验结果验证了该方法的有效性。

基于流形学习与隐马尔可夫模型的刀具磨损状况识别

为了提高金属铣削过程中的刀具磨损状态识别的自动化程度与精度,提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法。该方法首先利用小波分析技术对铣削过程中的切削进给方向力信号进行处理,构造了高维特征空间。然后使用基于流形学习方法实现了高维特征空间的维数约简。最终利用约简后的低维特征向量训练HMM,从而实现刀具磨损状态的识别。实验结果说明该方法能够有效地识别铣削过程的刀具磨损状态。与未经特征维数约简的识别方法相比,新方法能够提高刀具磨损状态的识别效率与准确率。

基于隐马尔可夫模型的入侵检测系统

首先介绍了基于隐马尔可夫模型(HMM)的入侵检测系统(IDS)框架,然后建立了一个计算机系统运行状况的隐马尔可夫模型,最后通过实验论述了该系统的工作过程。通过仅仅考虑基于攻击域知识的特权流事件来缩短建模时间并提高性能,从而使系统更加高效。实验表明,用这种方法建模的系统在不影响检测率的情况下,比传统的用所有数据建模大大地节省了模型训练的时间,降低了误报率。因此,适合用于在计算机系统上进行实时检测。

面向语音增强的序贯隐马尔可夫模型时频语音存在概率估计

语音存在概率的估计是语音增强的核心技术之一,针对传统的存在概率估计方法是启发式的,没有把存在概率的估计统一到一个理论框架之中,不能保证估计最优,提出了一种基于序贯隐马尔可夫模型(SHMM)的存在概率估计方法,在每一子带上构建一个SHMM模型描述对数功率谱包络的时间序列,把谱包络序列看作一个在语音和噪声状态之间转移的动态一阶马尔可夫链,采用单高斯函数构建每一状态的概率模型,语音状态的后验概率即为语音信号的存在概率。为了满足算法实时性要求,SHMM参数估计简化为一阶回归过程,根据极大似然准则逐帧更新模型参数。实验表明:SHMM所描述的时序相关性对存在概率的估计起到关键作用,它优于一般的启发式估计方法;SHMM算法的语音增强分段信噪比(SegSNR)和对数谱失真(LSD)性能优于经典的改进型最小统计量控制递归平均(IMCRA)算法。