基于隐Markov模型的重型数控机床健康状态评估

为了辅助重型数控机床的综合健康状态评估,从性能劣化角度出发,建立基于多性能参数多观测序列的隐Markov健康状态评估模型,改进了以往基于单性能参数的隐Markov模型不能准确描述机床健康状态的问题。针对隐Markov模型的参数初始化难题,通过K-means方法进行参数聚类分析,使初始化参数趋向于全局最优解;由于单性能参数不能完全描述机床状态的隐含信息,提出一种基于多性能参数多观测序列值的隐Markov模型训练算法。通过某重型数控机床滚珠丝杠的健康状态评估实例,获取了滚珠丝杠的健康状态变化趋势,验证了方法的可行性和有效性。

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。

基于改进遗传算法和隐Markov模型的协议异常检测方法

针对现有基于隐Markov模型的协议异常检测方法中存在的训练样本不足和初始参数敏感问题,提出一种基于改进遗传算法和隐Markov模型的协议异常检测新方法。首先,采用局部竞争选择策略、算术交叉算子和自适应非均匀变异算子改进遗传算法,避免传统遗传算法在收敛过程中的早熟和停滞问题;然后,利用改进的遗传算法优化隐Markov模型的初始参数,解决模型对初始参数敏感的问题;最后,以协议关键词和关键词时间间隔作为训练观测值,细粒度地描述协议行为,扩大模型的训练样本空间。在DARPA 1999数据集上的实验结果表明,该方法具有很高的检测率和较低的误报率。

隐Markov模型及其在慢性病流行病学研究中的应用

目的探讨隐Markov模型在慢性病流行病学研究领域中的应用。方法以2型糖尿病为例,应用多状态隐Markov模型对2型糖尿病的影响因素进行分析。结果采用隐Markov模型分析2型糖尿病不同发展阶段的影响因素取得了较为满意的效果。结论隐Markov模型是探讨慢性病影响因素的有效工具,在慢性病流行病学研究中具有广阔的应用前景。

基于隐Markov模型的微径铣刀磨损监测

以微径铣刀磨损程度的识别为研究对象,考虑可能出现的单齿切削现象,建立了刀具磨损的隐Mark-ov模型。模型首先判断刀具在稳态切削情况下是否出现单齿切削现象,随后以小波分解的方式分别提取切削力特征。通过Fisher线性判别提取8个最优的切削力特征,作为隐Markov模型训练的输入向量。对于多组切削参数为单齿切削和两齿交替切削,分别训练三个不同磨损阶段的隐Markov模型,用以识别刀具真实磨损状态,并通过Euclidian线性判别确定最适应的识别模型。实验结果表明,该方法能够准确识别微径铣刀磨损状态,准确率在85%左右。

基于AR的二维隐Markov模型离心泵故障诊断方法

离心泵速度变化过程的振动信号具有信息量大、非平稳、重复再现性不佳等特点,二维隐Markov模型(2D-HMM)很适合处理此类信号。利用AR谱不受数据长度的限制,AR模型参数对状态变化规律反映敏感的特点,以振动信号做自回归变换后的AR谱系数作为特征向量,将基于AR的2D-HMM引入到离心泵故障诊断中,提出了一种基于AR的2D-HMM故障诊断方法,并论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2BA-6A离心泵试验系统验证了方法的有效性。

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principalcomponentanalysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取。因子隐Markov模型是隐Markov模型的扩展,它比隐Mark-ov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析。文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器。并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显。

人脸识别中嵌入式隐Markov模型结构的优化算法研究

提出了一种优化嵌入式隐Markov模型状态数的搜索算法,并且由此算法得到改进的嵌入式隐Markov模型结构。实验证明,这种结构既能提高人脸的识别率,最高可达到100%,又比传统的结构减少30%左右的训练时间和识别时间。

基于小波域隐Markov模型的SAR图像滤波方法

在小波域隐Markov模型(HMM)的基础上提出一种新的合成孔径雷达(SAR)图像的滤波方法。首先根据小波变换的内在特征,建立小波域的隐Markov树(HMT)模型,通过EM算法可以获得该HMT模型的参数估计。然后根据SAR图像的统计性质,将SAR图像的乘法斑点杂噪声在局部范围内近似为加性白高斯噪声,通过最小均方差(MMSE)估计可以获得信号的小波变换值。通过对真实SAR图像的应用,结果说明该方法可以在保存图像细节特征的情况下有效地抑制图像的噪声。

基于隐Markov模型的RNA二级结构预测新方法

有效预测RNA二级结构是生物信息学中的重要研究领域.提出一种基于隐Markov模型预测RNA二级结构的新方法.首先,应用前后缀匹配算法快速找到所有可能(包括假结)的茎区,建立RNA-HMM,寻找最优的茎区组合方法,得到包含假结的RNA二级结构.实验结果表明,提出的新方法降低了计算复杂性,提高了预测的特异性和敏感性,具有较高的准确率,可以预测RNA的假结结构.

分层隐Markov模型在设备状态识别中的应用研究

与传统的隐Markov模型(HMM)相比较而言,应用分层隐Markov模型(HHMM)对设备进行状态识别有诸多优点,而且能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络这一新的方法,由于该方法可以有效地降低模型的计算复杂度并缩短推理时间,所以将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别;针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法;以齿轮箱全寿命实验为依据,对该模型实现状态识别的基本框架和计算过程进行了研究,研究结果为复杂设备的状态识别提供了新的思路。

基于隐Markov模型的数据库异常检测技术

首先提出了一个刻画数据库用户正常行为的隐Markov模型,在此基础上设计了一个数据库异常检测算法.该算法在判断某个用户的操作序列是否发生异常的过程中,针对观测序列长度不断增加,但P{O/λ}观测值却越来越小的情况,引入了滑动窗口概念.算法中将用户操作序列划分为长度可调的滑动窗口,对该窗口中的序列X进行P{X/λ}计算,如果窗口的P{X/λ}值低于给定阈值ε,则该窗口中的短序列标记为"异常",如果异常短序列数目与总短序列数目之比超过另一给定的阈值δκ,就判断该数据库用户的行为异常.此外,还讨论了隐Markov模型参数设定和阈值选取等问题.

基于因子隐Markov模型的旋转机械故障诊断方法的研究

针对旋转机械升降速过程非平稳、重复再现性不佳的特点 ,隐 Markov模型具有很强的针对性。因子隐 Markov模型是一种多链隐 Markov模型 ,它是隐 Markov模型的一种扩展形式。作者将因子隐 Markov模型引入到旋转机械升降速过程的故障诊断中 ,提出了基于因子隐 Markov模型的旋转机械故障诊断方法 ,并且利用它成功地对旋转机械的故障进行了分类。实验结果表明 :该方法是有效的。图 4表 2参

基于隐Markov模型的复杂仿真系统运行有效性评价方法及应用

根据复杂仿真系统具备随机性、严格时序逻辑性等工程实际特点,提出一种以隐M arkov模型(HMM)为基础,利用多元统计理论定量分析复杂仿真系统运行有效性的评价方法.在引入状态观测向量矩阵的基础上,详细介绍了量化描述仿真剧情、复杂仿真系统运行状态的HMM的建立方法,给出了复杂仿真系统运行有效性评价准则,并针对评价过程中的关键算法进行了深入研究.

加权合成的嵌入式隐Markov模型人脸识别

嵌入式隐 Markov模型能提取人脸的二维主要特征并对姿态和环境的变化具有较好鲁棒性 .讨论了嵌入式隐 Markov模型的进一步改进及其实现 .首先分析了形成观察向量的采样窗大小和其二维 DCT系数项数的不同对人脸识别结果的影响 ,然后确定最优的采样窗大小和其二维 DCT系数项数 .鉴于不同角度的照片包含信息量的不同 ,提出了一种加权合成的模型参数重估算法 .重估模型参数时 ,首先计算每幅脸像相对应的模型参数 ,然后进行加权合并 ,权值由迭代公式求得 ,训练结束后用一个合成的模型来表示一个对象 .采用基于该方法的原型系统对 ORL人脸库进行测试 ,识别正确率达到了 99.5 % .

一种基于隐Markov模型的异常检测技术

给出了一种建立隐Markov异常检测模型的算法,并从序列支持度分析、序列预测两个方面研究了该模型在异常检测中的应用,通过实验,分析了影响这一检测方法效果和效率的因素。实验表明,该方法能在不需要任何安全方面背景知识的情况下,有效地检测出入侵行为。

基于连续隐Markov模型的发酵过程关键状态变量软测量

针对生物发酵过程中一些关键状态变量难以用仪表进行在线检测的问题,提出了一种基于连续隐Markov模型(CHMM)的软测量方法.首先,为增加模型预测的鲁棒性,采用多观测样本序列训练CHMM模型库,运用Baum-Welch参数重估修正公式实现CHMM参数优化;然后,将新样本观测向量输入训练好的CHMM模型库,并基于Viterbi算法计算新样本在模型库中各个CHMM内的输出概率;最后,通过加权平均运算得出软测量结果.将所提出的方法应用于红霉素发酵过程菌体质量浓度软测量,并进行了建模与仿真研究.结果表明:所建CHMM软测量模型能够很好地用于生物发酵过程菌体质量浓度值预测,且预测效果优于人工神经网络软测量模型.

基于流形学习和隐Markov模型的故障诊断

为实现旋转机械故障诊断的自动化与高精度,提出基于正交邻域保持嵌入和连续隐Markov模型的模型诊断方法。将活动件故障振动信号进行经验模式分解并构造Shannon熵得到高维特征向量,利用正交邻域保持嵌入将高维特征向量约简为低维特征向量,并输入到各个状态连续隐Markov链进行旋转机械的故障模式识别。通过深沟球轴承故障诊断实例验证了该模型的有效性。

基于隐Markov模型的多节点融合决策并发故障诊断

为了能够有效地检测出无线传感器网络中的故障节点,并对故障节点进行准确的诊断,提出一种基于隐Markov模型的多节点融合决策并发故障诊断算法。该算法采用有向图的知识构建网络节点的连接图,通过节点连接图来判定网络节点是否发生了故障,并采用隐Markov模型对故障节点状态进行预测,从而排除由于节点剩余能量不足而导致的误判。而在故障节点的诊断上,考虑到多种故障原因使得诊断方法复杂化,因此采用了多节点融合决策的故障节点诊断方法。该方法采用故障节点与其相邻节点之间同时进行故障验证,具有更低的运算量和准确度。实验仿真表明,该故障诊断方法在节点故障状态的正确划分率、误判率以及算法运行速度上都达到了较好的效果。

一种基于隐Markov模型的网络安全态势感知方法研究

为了准确评估网络系统的安全状态,文章提出一种基于隐Markov模型(HMM)的网络安全态势感知方法。首先通过对系统多种安全检测数据融合,得到系统的网络结构、资产、威胁和脆弱性数据的规范化数据;接着对系统中的每个资产,将该资产受到的威胁和存在的脆弱性结合起来,分析影响该资产的安全事件序列,分别建立该资产保密性、完整性和可用性三个安全性分量的HMM,采用滑动窗口机制将观测序列分段训练,并采用带遗忘因子的更新算法得到HMM的各个参数;然后根据HMM和观测序列分析该资产安全状态,评估该资产的安全态势分量;最后综合分析网络中所有资产的安全态势分量,评估网络的安全态势分量,并根据应用背景评估网络的整体安全态势。实验分析表明,基于HMM的网络安全态势感知方法符合实际应用,评估结果准确有效。