基于混合隐Markov链浏览模型的WEB用户聚类与个性化推荐

针对传统的Markov链模型不能有效的表征长串访问序列所蕴含的丰富的用户行为特征（用户类别特征、访问兴趣迁移特征）的缺点,提出混合隐Markov链浏览模型。混合隐Markov链模型使用多个不同的模型来区分不同类别用户的浏览特征,并为每个类别的用户设置了能跟踪捕捉其访问兴趣变化的类隐Markov链模型,能更好地对WWW长串访问序列的复杂特征进行建模,在真实WWW站点访问日志数据上的用户聚类实验与个性化推荐实验的结果表明,混合隐Markov链模型与传统的Markov链模型相比,具有更理想的聚类性能和推荐性能。

关于树指标隐Markov链及其等价定义

本文参照直线上隐Markov模型的概念,给出有限树指标隐Markov链的定义.在该定义中,树指标隐Markov链由两个树指标随机过程组成,其中第一个树指标随机过程是树指标Markov链,是不能被直接观测到的隐藏链;第二个树指标随机过程是可被观测的且关于第一个树指标随机过程条件独立,对于树上的任意一个顶点,第二个随机过程此处的取值只信赖于隐藏链中此处的取值.最后,我们给出了树指标隐Markov链的三个等价定义.

基于隐Markov链模型的欧洲足球运动员转会规律的研究

通过隐Markov链模型描绘欧洲足球运动员在每一个转会期的球员转会过程,模型中所考虑的各种隐藏因素的影响使得模型对转会规律能够做出更为准确的刻画。实证结果所揭示的欧洲足球运动员转会市场所隐藏的规律,对中国足球今后的发展具有一定的借鉴意义。

基于无限特征选择层次链接无限隐Markov模型的轴承故障诊断方法研究

针对无限隐Markov故障诊断模型在对旋转机械中多种故障训练时割裂了各个数据集之间联系,造成每种故障数据集单独训练的问题,提出了一种层次链接无限隐Markov故障诊断模型。将层次链接无限隐Markov故障模型与无限特征选取后优化多尺度排列熵相结合,应用到滚动轴承故障诊断领域。无限特征算法能够高效地提取故障振动信号中包含的信息,进而完成对不同故障的分类。将获得的数据输入粒子群算法优化多尺度排列熵参数,并对其求得相应的多尺度排列熵值,经无限特征算法对得到的特征量进行排序,筛选出相比较下包含信息量大的特征量输入到层次链接无限隐Markov模型中训练与识别。在此基础上将结果与使用无限特征算法筛选无限隐Markov模型的训练识别结果、随机特征选择下的层次链接无限隐Markov模型结果作对比,实验研究表明:无限特征算法能有效提取更具价值的特征信息,层次链接无限隐Markov故障诊断模型能够更有效地识别,为滚动轴承的故障诊断提供了新的思路。