隐非齐次马尔可夫模型的贝叶斯推断

当前,在教育学、心理学、经济学、社会学等许多领域经常会遇到异质纵向数据.隐马尔可夫模型因其对异质纵向数据良好的建模和分析效果而受到广泛关注.在传统隐马尔可夫模型的基础上,引入非齐次马尔可夫状态转移方式,并与多元正态分布相结合,提出了隐非齐次马尔可夫多元正态分布模型.首先,介绍隐非齐次马尔可夫多元正态分布模型的数学定义;其次,详细介绍模型参数后验分布的推导过程及MCMC算法设计;最后,设定了四个模拟实验进行比较分析,结果表明贝叶斯推断方法是可靠的.研究发现隐非齐次马尔可夫模型可以覆盖齐次隐马尔可夫模型,应用更广泛.

隐非齐次马尔可夫模型的强大数定律

在状态集都有限的情况下,给出了隐马尔可夫模型的一些性质定理.利用马氏链的强极限定理,得到了隐非齐次马尔可夫模型的强大数定律.

隐非齐次马尔可夫模型的强大数定律

本文研究了一类隐非齐次马尔可夫模型的强极限定理.利用鞅差序列收敛定理,获得了观测链{Y_n,n≥0}的强大数定律,并给出了观测链的Shannon-McMillan定理.

一类隐非齐次马尔可夫模型的强极限定理

在假定隐藏的马氏链为非齐次且从隐藏链到观测链的转移矩阵列也与时刻n有关的情况下,对一类在发音过程中常用的隐马尔可夫模型进行研究.这类模型的主要特点是观测链不仅受当前状态的影响还与上一时刻的状态有关.先给出了该模型的强极限定律,然后得出了状态出现频率的强极根定理.

基于非齐次隐马尔可夫模型的特定人元音的识别方法

针对特定人汉语元音的语音识别,提出一种基于非齐次隐马尔可夫模型的识别方法.该方法首先提取声道频率响应作为特征参数,然后建立非齐次隐马尔可夫模型来更为精确地刻画真实的语音现象,接着进行语音识别实验,并与齐次隐马尔可夫模型进行比较.实验结果表明该方法可以使特定人的元音的识别率达到98.73%,明显改变了识别系统的性能.该方法具有很好的理论研究前景和实际应用价值.

一种适于非特定人语音识别的并行隐马尔可夫模型

为了适合非特定人语音识别,提出了一种由多条并行马尔可夫链组成的并行HMM(Parallel Hidden Markov Model,PHMM),从而融合了基于分类的语音识别中为各个类别建立的模板,提高了识别性能,各条链之间允许有交叉,使得融合的多模板之间存在状态共享,同时PHMM可以在训练过程中自动完成聚类,且测试语音的输出结果来自所有类别,无需聚类分析和类别判断,这些都减少了存储量和计算量,汉语非特定人孤立数字的识别实验表明,PHMM较之传统CHMM使识别性能及噪声鲁棒性都得到了改善。

基于隐马尔可夫模型和非合作博弈的功率控制

降低功耗是无线传感网研究中的重要问题之一。针对现有无线传感网存在功耗高、能量利用率低等问题,本文提出一种基于隐马尔可夫模型和非合作博弈的功率控制方法。证明了该方法中纳什均衡的存在性和唯一性以及隐马尔可夫模型(HMM)在特定条件下的广义平稳性。通过仿真实验将该算法与已有的基于非合作博弈的控制方法进行比较。仿真结果表明,该算法在能量利用率、收敛性、降低功耗方面均优于原有算法,能够有效延长网络生命周期。

非齐次隐马尔可夫模型及其参数估计

隐马尔可夫模型是现今被广泛使用的统计模型之一。本文在现有的对隐马尔可夫模型研究的基础上,通过在转移模型的马尔可夫链中增加协变量,构建了非齐次隐马尔可夫模型。在对模型进行参数估计时,首先用k-means聚类分析确定了观测数据的隐状态,然后用极大似然估计对模型的转移参数进行估计。在数值模拟时,以非齐次隐马尔可夫多元正态分布和非齐次隐马尔可夫多元线性回归为例,利用文章所介绍的方法对模型的参数进行估计,验证了估计的可靠性。

基于隐马尔可夫模型的汉语非嵌套名词短语识别

文章以哈工大和北大语料库为基础,建立了一个基于隐马尔可夫模型的现代汉语非嵌套名词短语识别模型。实验结果表明,该模型具有一定的可行性、创新性和高效性,有较高的正确率和召回率。

一类隐马尔可夫模型的若干极限性质

假定隐藏的马尔可夫链为非齐次,研究隐非齐次马尔可夫模型的一些强极限定理.首先在引理中得出了隐非齐次马尔可夫模型的一些性质,从而导出了隐非齐次马尔可夫模型的三元函数一类平均值的强极限定理.作为定理的推论,得到了隐非齐次马尔可夫模型状态出现频率的一类强极限定理.隐马尔可夫模型可应用于弱相依随机变量的建模上,也可用作研究发音过程、神经生理学与生物遗传等方面的工具.

非齐次隐马尔可夫降尺度方法对江淮流域夏季逐日降水的模拟及其评估

引入非齐次隐马尔可夫模型(Nonhomogeneous hidden Markov model,NHMM)统计降尺度方法,利用1961—2002年江淮流域夏季逐日降水资料、欧洲中期天气预报中心(ECMWF)的ERA-40再分析资料建立模型,检验其对东部季风区(以江淮流域为代表)夏季日降水的模拟能力,并对比BCC-CSM1.1(m)模式NHMM降尺度前后的模拟效果。结果表明,NHMM降尺度方法通过建立降水概率分布态间转移参数与大尺度环流变量的联系,对江淮流域逐日降水量具有较好的降尺度效果。模拟的各站日降水量概率分布函数(PDF)曲线与观测非常接近,布赖尔评分(Brier Score,S_B)均小于0.11%,显著性评分(Significance Score,Ss)均大于0.84;夏季总降水量、降水日数、中雨日数、降水强度和95%分位降水量指数的多年平均场偏差百分率绝对值低于10%,前3个指数的空间相关系数高于0.9;该方法对各降水指数的年际变率也有一定的模拟能力,模拟得到的各指数的区域平均年际序列与观测序列的相关系数为0.62—0.87。对BCC-CSM1.1(m)模式的模拟结果进行降尺度后,SB较降尺度前平均减小0.57%,Ss平均增大0.23,皆表明降尺度后的概率分布函数曲线更接近于观测;各降水指数在多数台站的偏差百分率绝对值由大于40%降至10%以内,空间相关系数普遍提高至0.8以上。NHMM降尺度方法能够有效提高BCC-CSM1.1(m)模式对江淮流域夏季日降水的模拟能力,相对气候模式具有显著的"增值",未来可进一步利用该方法进行气候变暖背景下的日降水变化预估。

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。

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.

基于隐马尔可夫树非高斯信号的建模分析与分类识别

研究了基于小波域隐马尔可夫树模型非高斯信号的建模方法 .探讨了海洋环境噪声和船舶辐射噪声在不同工况下所表现出的不同模型特征 ,并根据它们在 HMT模型参数上的特征差异提出了一种新的检测方法 ,实验证明 ,该方法的检测性能比过零检测、能量检测以及二阶统计量检测方法要好 .通过结合小波域隐马尔可夫模型和支撑向量机 ,提出了一种新的水声非高斯噪声信号的识别分类方法 ,实验证明 ,该方法具有较好的分类性能 .

隐马尔可夫模型的拓朴应用

以非齐次隐马尔可夫模型(Inhomogeneous Hidden Markov Mode1)出发,用自适应函数链神经网络与非齐次隐马尔可夫模型相结合,训练出适用环境变化的HMM模型,并应用该混合模型进行语音识别.实验结果表明,该模型适合于对噪声背景下的语音进行识别,该模型具有更好的鲁棒性,在信噪比较低的情况下,可以提高识别率.

基于改进的隐马尔可夫和神经网络混合模型的语音识别

研究了一种非齐次隐马尔可夫模型(Inhomogeneous Hidden Markov Model),然后将自组织特征映射神经网络与这种非齐次隐马尔可夫模型相结合,训练出抗噪声的HMM模型,并应用该混合模型进行语音识别。实验结果表明,该模型适合于对噪声背景下的语音进行识别。该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(5dB-10dB),识别率可以提高5％左右。

基于多观测隐非齐次HMM的光伏功率概率预测

针对高渗透率光伏能源并网带来的不确定性对电力系统的影响,提出一种基于多观测隐非齐次马尔可夫模型(HMM)的短期光伏功率概率预测方法。首先,给出多观测隐非齐次HMM基本问题的求解方法,包括模型参数估计的学习问题与预测结果输出的解码问题。通过确定光伏出力与气象参数范围并进行离散化,得到建模所需的状态空间与观测空间。最后,据此对训练数据进行编码代入HMM学习问题求解得到最终的概率预测模型。为了检验不同非齐次性质及观测量对模型预测性能的影响,建立传统HMM、单观测/双观测二阶HMM及支持向量机模型进行模拟预测分析。结果验证了所提模型的可行性,同时考虑先前状态与观测对当前的影响可以提高模型确定性预测与区间预测性能。

一类特殊非齐次树上非齐次马尔可夫链的强律

极限定理一直是国际概率论界研究的中心课题之一.本文通过构造适当的辅助非负鞅而给出了一类特殊非齐次树上可列非齐次马尔可夫链场的若干强律.

非齐次马尔可夫LPV系统的H_∞异步控制

针对存在外界干扰的情况,对一类离散时间非齐次马尔可夫线性变参数(linear parameter-varying,LPV)系统的H∞异步控制问题进行了研究。由于实际非齐次马尔可夫系统的系统模态难以直接获得,考虑了控制器模态和系统模态不一致的异步问题,并用一个非齐次隐马尔可夫模型建模。非齐次马尔可夫系统和非齐次隐马尔可夫链的时变特性分别由分段齐次状态转移概率矩阵和分段齐次条件概率矩阵描述,且受同一个高层齐次马尔可夫链支配。针对上述问题,完成了对闭环非齐次马尔可夫LPV系统的稳定性分析、H∞性能分析和H∞异步控制器设计,使系统在受到外界干扰和控制器模态与系统模态存在异步现象的情况下满足给定的H∞性能指标。最后通过对直流电机的仿真实验验证了利用非齐次信息得到理论的有效性和优越性。