采用多尺度隐式马尔可夫模型的红外图像背景抑制

提出了一种基于多尺度隐式马尔可夫模型的红外图像背景抑制方法来解决红外弱小目标检测技术中复杂背景干扰的问题。根据红外目标和背景杂波所具有的不同统计分布特性,利用剪切波变换分解后各尺度、各方向子带内和子带间的系数之间的关系,建立了基于剪切波变换的多尺度隐式马尔可夫模型。通过期望最大化算法计算最优背景参数,分离红外图像中弱小目标信号和复杂背景杂波,达到抑制背景、保存并增强目标信号的目的。对真实的和模拟的包含弱小目标的红外图像序列进行了实验验证,实验结果表明,与最大中值滤波和局部去均值两种方法相比较,本文方法对红外弱小目标(SCR≥1.6)的复杂背景从主观视觉和数值指标上都具有良好抑制效果。

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。

一种基于嵌入式隐马尔可夫模型的人脸识别方法

提出一种基于嵌入式隐马尔可夫模型(embedded hidden Markov model,简称EHMM)的人脸图像识别方法,主要包括:1由于奇异值向量具有稳定性、转置不变性等特点,故对归一化的人脸图像,可采用奇异值分解抽取人脸图像特征作为观察序列;2在人脸识别中应用嵌入式隐马尔可夫模型,采用多高斯概率密度函数训练、建立EHMM,再利用建好的EHMM进行识别.实验结果显示,所提方法减少了数据计算量,运行速度快,并提高了识别率,完全满足人脸识别系统的实时性要求.

基于嵌入式隐马尔可夫模型的步态识别

针对从多帧步态中更有效提取步态特征的问题,提出了一种基于嵌入式隐马尔可夫模型的步态识别算法.首先采用背景减除方法提取出人体的侧影轮廓,通过分析轮廓宽度向量的自相关性计算出步态的周期,并得到平均步态能量图.接着利用二维离散余弦变换获得平均步态能量图的空间特征信息,然后把能量图的观测块转化为观测向量实现了步态识别.最后运用最近邻法在两个不同的数据库上进行算法验证,实验结果表明该算法具有较好的识别性能.

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Boost改进的嵌入式隐马尔可夫模型的实时表情识别

在人机交互过程中,理解人类的情绪是计算机和人进行交流必备的技能之一。最能表达人类情绪的就是面部表情。设计任何现实情景中的人机界面,面部表情识别是必不可少的。在本文中,我们提出了交互式计算环境中的一种新的实时面部表情识别框架。文章对这个领域的研究主要有两大贡献:第一,提出了一种新的网络结构和基于AdaBoost的嵌入式HMM的参数学习算法。第二,将这种优化的嵌入式HMM用于实时面部表情识别。本文中,嵌入式HMM把二维离散余弦变形后的系数作为观测向量,这和以前利用像素深度来构建观测向量的嵌入式HMM方法不同。因为算法同时修正了嵌入式HMM的网络结构和参数,大大提高了分类的精确度。该系统减少了训练和识别系统的复杂程度,提供了更加灵活的框架,且能应用于实时人机交互应用软件中。实验结果显示该方法是一种高效的面部表情识别方法。

基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解

非侵入式负荷分解(non-intrusiveloaddisaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据。目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精度低的问题。为此,该文提出一种基于设备启停状态识别改进因子隐马尔可夫模型(factorialhidden Markov model,FHMM)的NILD方法。首先,通过人工少数类过采样法(syntheticminorityover-samplingtechnique,SMOTE)对训练数据做重采样处理、深度神经网络(deep neuralnetwork,DNN)模型提取启停状态特征以及双向长短时记忆网络及条件随机场(bidirectionallongshortterm memory-conditionalrandomfield,Bi LSTM-CRF)模型提升其对不平衡启停状态的识别能力;然后,将设备启停状态组合模块按照数理组合方法划分数据集,形成若干启停状态组合子数据集,并分别对各子数据集中处于启状态的设备建立FHMM进行负荷分解;最后,在公开数据集每分钟电力年鉴数据集(the almanac of minutely power dataset,AMPds)进行实验,该文算法得到的设备负荷分解平均精度比传统FHMM方法提升了3.8倍,验证了所提方法的有效性和准确性。

置信度判别嵌入式隐马尔可夫模型人脸识别

为了提高人脸识别率,提出了一种优化置信度的判别嵌入式隐马尔可夫(EHMM)人脸识别方法。提出的方法基于假设检验,通过最小化检验错误率得到优化置信度判别式训练准则。在优化置信度判别式训练准则的前提下,通过参数估计求解判别式转换矩阵,提取出具有判别性、低维度的图像特征,确保观察样本能正确地分配到其对应的模型状态,以提高所训练出的EHMM模型的正确识别率。理论分析证明了优化置信度判别式训练准则的有效性,详细的实验及与现有方法的比较结果表明,提出的识别方法具有更好的识别性能。

基于隐马尔可夫模型的非侵入式负荷监测泛化性能改进

隐马尔可夫模型(HMM)是非侵入式负荷监测常用的算法.由于电压波动与负荷自身电气特性变化等原因,负荷的测量状态如功率可能持续变化,运行过程中出现新的状态转移,但当前基于HMM的非侵入式负荷监测方法并未考虑如何处理该情况,缺乏状态辨识与功率分解的泛化能力.针对这一问题,本文提出并构建二元参数隐马尔科夫模型(BPHMM),结合DBSCAN聚类算法,基于有功功率和稳态电流对负荷状态进行聚类,降低了因电压波动和噪声数据对负荷状态聚类结果造成干扰的可能性;改进维特比算法使其考虑到HMM模型参数更新以实现对负荷状态预测泛化性能的改进;考虑到功率的随机波动性,基于极大似然估计原理构建功率计算优化模型并实现负荷的功率分解.本文采用公共数据集AMPds2对所述方法进行验证,测试算例验证了所述方法的有效性.

基于隐式马尔可夫模型的遗传类比学习在中国书法生成中的应用

针对非物质文化遗产虚拟修复中缺失的书法字体生成问题,实现了一种基于隐式马尔可夫模型(HMM)的曲线类比学习书法生成系统.该系统首先收集多种标准书法字体以及骨架作为学习样本,然后运用有指导的类比学习,样本字库中的字符骨架在遗传演化的过程中形成风格上与待修复字体风格接近的骨架结构,最后用HMM对骨架进行各种丰满度处理以获得连笔、枯笔等多种中国书法特有的形态特征.实验证明本文的算法能产生与原作品风格趋近一致的书法汉字并获取新颖的字体风格.

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。

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。

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。

用于脱机手写数字识别的隐马尔可夫模型

将隐马尔可夫模型 (HMM)用于脱机手写数字识别中 ,系统如何建模是一个值得研究的问题 在考虑手写数字自身特点及特征抽取的基础上 ,对HMM模型的训练方法及模型参数的选取进行了研究 ,以提高系统识别率 在银行票据OCR的应用中 ,与基于神经网络的方法结合使用 ,使得整张票据的拒识率降低了 3% ,明显提高了银行票据OCR系统的性能 .

基于隐马尔可夫模型的情感建模

根据隐马尔可夫模型HMM的基本理论和算法设计了一个情感模型。该模型用E HMM构成:子层(即低层)HMM由3个HMM组成,分别对应3种心理情绪状态。外部刺激经过子层初步识别,其输出组成高级层HMM的观察向量,经过高层HMM,确定情感输出,从而提高了模型的准确性。

应用优化的隐马尔可夫模型预测蛋白质二级结构

针对3-状态隐马尔可夫模型(HMM)预测蛋白质二级结构准确率不高的问题,提出了7-状态和15-状态 HMM。研究对象为 CB513数据集合中筛选出的492条蛋白质序列,将其随机均分7组。分别应用7-状态和15-状态 HMM 对以上数据集进行二级结构预测,对预测准确率进行了7-交叉验证,并将预测结果与应用3-状态 HMM 的预测结果进行了比较。结果表明,应用7-状态 HMM,Q_3准确率提高3.11%,SOV 提高6.15%,Q_E提高6.49%;应用15-状态 HMM,Q_E比7-状态 HMM 又提高5.74%。在15.状态 HMM 预测中加入序列的同源信息后,Q_3准确率比单序列15-状态 HMM 增加8.76%。结果表明,7-状态HMM 预测能力优于3-状态 HMM,15-状态 HMM 总体预测能力和7-状态 HMM 相当,但β折叠预测能力强于7-状态 HMM。

基于小波域隐马尔可夫模型的人脑MRI体数据分类

为保证三维体视化图像能较准确地表达组织,以人脑磁共振图像为例,提出了基于小波域隐马尔科夫模型的体数据分类算法,首先采用EM算法进行HMT模型参数估计,然后通过小波分解,得到近似初始分类数和各类在小波空间中的特征量,这在以往体数据分类中需要事先对体数据进行大量的训练才能得到．分类结果采用ICM (iterated conditional mode)方法获得．其结果表明,该方法在运算时间和分类效果上都优于以往的多分辨率分类方法．

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。

基于偶数帧段输入隐马尔可夫模型的噪声环境下汉语连续语音识别研究

提出了利用偶数帧段输入隐马尔可夫模型（ＨＭＭ）提高在噪声环境下汉语连续语音识别系统鲁棒性的方法，并提出了对于传统谱相减降噪技术的修改方法。实验结果表明，本文的方法能有效地提高噪声背景下汉语连续语音识别系统的性能。