基于高斯混合隐马尔科夫模型的高速公路超车行为辨识与分析

基于驾驶模拟器实验数据,结合高斯混合隐马尔可夫模型(GM-HMM),对高速公路的超车行为进行辨识,并对驾驶员意图和超车行为是否正常进行分析。结果表明,基于GM-HMM的辨识方法能有效辨识多种驾驶工况下的不正常超车行为。

基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法

为了有效降低因驾驶员紧急换道行为而诱发的交通事故,提高道路交通事故链阻断效率,提出一种基于高斯混合隐马尔科夫模型(GMM-HMM)和人工神经网络(ANN)的紧急换道行为预测方法。首先利用GMM-HMM对车辆行驶状态以及驾驶行为连续观察序列进行换道意图辨识,采用ANN预测下一时段的驾驶行为,再预测换道过程中的横向加速度变化率,从而判断紧急换道的危险程度。驾驶员在环仿真实验及实车实验结果表明,该方法预测避险成功率达92.83%,实验避险成功率达90.32%。该方法能有效地对紧急换道行为进行提前警告与干预。

基于高斯混合隐马尔科夫模型的自由换道识别

驾驶辅助系统被认为是解决交通安全问题的有效手段,开发驾驶辅助系统的基础是对车辆的行为进行准确的识别,以应用于车辆安全预警,路径规划,智能导航等方面.目前存在的基于支持向量机模型,隐马尔科夫模型,卷积神经网络等行为识别方法还存在计算量与精度平衡的问题.本文结合了隐马尔科夫模型与高斯混合模型,提出了高斯混合隐马尔科夫模型,利用美国联邦公路管理局NGSIM数据集对此方法进行了实验验证,结果表明该方法对自由换道行为识别具有较高的精度.本文还对高斯混合隐马尔科夫模型的实验参数进行了优化,以期达到最好的识别效果,为未来智能驾驶的车辆行为识别提供了参考.

基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法

在线控转向系统中,采用一种基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法,可达到辅助驾驶员驾驶、屏蔽驾驶员错误操作和提高汽车主动安全性的目的。通过驾驶模拟器采集相应工况数据,经数据预处理后,应用Baum-Welch算法对多维高斯隐马尔科夫模型进行优化,且应用Labview进行在线辨识,准确率达到99.8%。

基于混合高斯隐马尔科夫模型的滑坡发生时间预报

滑坡发生时间预报在防灾减灾工作中非常重要,准确的预报能够有效预防灾害发生可能造成的灾难性结果。为解决当前滑坡预报中仅仅实现对滑坡位移等相关参数的预测和估计,而未最终计算出滑坡发生时间的问题,提出采用混合高斯隐马尔科夫模型(MOG‐HMM)建立滑坡发生时间预报模型,即对滑坡灾害演化过程全周期数据利用混合高斯算法计算出宏观信息预报判据,与隐马尔科夫模型中的状态相匹配,建立滑坡演化状态模型,该模型能够反映全周期数据的多个状态,当需要对实时采集的位移数据进行时间预报时,首先利用解码算法对当前数据解码,即计算出其属于滑坡的哪个状态,然后利用Dijkstra最优路径规划算法,计算出从当前状态到达滑坡发生状态的时间,实现滑坡发生时间预报。通过对新滩滑坡和卧龙寺滑坡灾害全周期数据进行仿真验证,结果表明,本文方法能够比较准确地计算出滑坡发生的时间,同时利用评价指标对预报的结果进行测试,符合预报指标精度要求。

基于傅里叶-隐马尔科夫模型的人体行为识别方法研究

运动人体检测和行为识别涉及广泛,包括人工智能、计算机视觉、模式识别等,人体行为识别在医疗、商业、军事中具有重要的应用价值,为探究良好的人体行为识别方法,本文引入傅里叶-隐马尔可夫模型进行相关分析,在人体行为序列图像的识别过程中,需要了解有关人体行为二值图像的轮廓,然后采取科学的方式进行傅里叶变换,接着进行向量转化,形成观察符号序列,将矢量量化向特征向量变化,便于提取人体轮廓的特征,进行后续的应用研究。最后对人体的行为进行识别,采用隐马尔大夫分类器。利用傅里叶-隐马尔科夫模型进行人体识别,能够有效提高人体行为识别率,本次测试单个行为的识别中平均识别率达到94%,要进行深入探究,进行复杂环境复杂动作的识别,促进相关工作的改进。

基于混合高 斯-隐马尔可夫模型的驾驶意图识别方法研究

驾驶意图的准确识别,能为车辆轨迹预测和行驶风险评估提供有力的理论支撑。首先,提取大量车辆轨迹数据,通过拼接重构方法得到同时包含3类驾驶意图的轨迹数据;其次,以车辆横向速度、加速度以及偏移量作为驾驶意图的表征参数,构建基于混合高斯—隐马尔可夫模型的驾驶意图识别方法,并通过对比不同识别窗口长度得到:窗口长度为2 s时总体精度最高;然后,为避免单点误判对模型精度的影响,设计1种多点识别的修正方法,对驾驶意图结果进一步修正,多次测试发现以连续3帧作为观察窗口时修正效果最好,驾驶意图的识别率高达98.84%。研究成果能应用于轨迹预测和风险评估中,进而为道路交通安全性的提高起到一定的推动作用。

基于高斯混合-隐马尔可夫模型的速差转向履带车辆横向控制驾驶员模型

为解决基于离合器转向机的履带车辆在无人行驶条件下的横向控制问题,采用一种基于高斯混合-隐马尔可夫模型的统计学习方法构建驾驶员模型,以实现对驾驶员跟踪控制操控经验的表述。利用经过大量试验采集获得的经验驾驶员操控数据对模型进行训练。以基于高斯混合模型表征的车辆速度和航向偏差作为隐马尔可夫模型的观测状态参量,并利用高斯混合模型对左右操纵杆位置进行转向模式划分,以转向模式作为隐马尔可夫模型的隐藏层状态参量,通过对模型的训练最终实现对于驾驶员操控经验以及车辆特性的统计学描述。利用上述模型对跟踪控制过程中的期望转向模式进行预测分析,结果表明该模型能够较准确地对转向模式进行预测。

基于一阶高斯-马尔科夫模型的IMU零偏相关时间对GNSS/INS组合导航结果的影响

GNSS(global navigation satellite system)/INS(inertial navigation system)组合导航中,Kalman滤波的最优估计性能受状态模型及其参数设定影响。IMU(inertial measurement unit)的零偏和比例因子误差通常建模为一阶高斯-马尔科夫过程,而模型中的相关时间参数比较难以获得且影响不明确。因此,以IMU零偏模型为例,通过仿真低中高三种不同精度等级的IMU数据,并对比仿真GNSS中断内的导航漂移误差,研究了相关时间参数对GNSS/INS组合导航结果的影响。结果表明:当相关时间参数接近其真值时,组合导航结果在总体上趋于最优表现;中高等级IMU的加速度计零偏相关时间的影响相对较大;但总体来说,相关时间对组合导航结果影响较弱。该研究成果可为后续IMU误差模型的参数设定和优化策略设计提供一定的实验依据和研究基础。

基于高斯混合-隐马尔科夫融合算法识别奶牛步态时相

奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相,本研究提出一种融合高斯混合模型(Gaussian Mixture Model,GMM)和隐马尔科夫模型(Hidden Markov Model,HMM)的无监督学习奶牛步态时相识别算法GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号,通过卡尔曼滤波消除噪声,筛选并提取特征值,构建GMM-HMM模型,实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明,静立相识别的准确率、召回率和F_(1)分别为89.28%、90.95%和90.91%,连续步态中的站立相识别的准确率、召回率和F_(1)分别为91.55%、86.71%和89.06%,连续步态中的摆动相识别的准确率、召回率和F_(1)分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%,相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。

基于高斯混合模型和马尔科夫随机场的脑MR图像分割

目的从磁共振噪声图像中分割脑组织(脑脊液、灰质、白质)。方法首先利用K均值分类自动计算三类脑组织的初始灰度分布参数,通过期望最大化算法(Expectation maximization,EM)估计高斯混合模型(Gaussian mixture model,GMM)参数。然后按照空间体素的GMM分类信息改变其相应体素的联合概率的能量函数,控制该能量函数中代表灰度信息的分量,并且自适应地调节图像灰度和空间信息的分配。结果实验结果表明该模型能够有效地分割出脑脊液,灰质和白质,并且对噪声不敏感,能消除灰度不均匀的影响。结论与同类算法相比,本算法对含有噪声污染的脑MR-T1图像分割精度较高,也表现出不错的稳定性,且算法运行时间短。

无线传感器网络中高斯-马尔科夫移动模型参数特性研究

高斯-马尔科夫移动模型(GM模型)是一种比较符合现实场景的节点运动模型,但是GM模型参数选择复杂,如果参数选择不当,移动节点会超出仿真区域,进而影响模型的性能。本文对GM模型的参数进行了仿真分析,结果表明初始速度对节点的超界率和覆盖率影响不大,而随着α值的增大,节点超界率增大,覆盖率呈先增大后减小的趋势;随着边界阈值λ的增大,超界率减小,但覆盖率也减小。在实际应用中,应当确保超界率在可接受范围之内的前提下,尽量提高节点的覆盖率。

基于瑞利混合隐马尔科夫模型的语音幅度谱分布估计

针对语音信号处理中语音短时幅度谱分布模型过于单一的问题,提出了一种基于隐马尔科夫模型的语音幅度谱分布估计算法。该算法利用瑞利混合模型作为语音幅度谱分布,采用隐马尔科夫模型将语音分成不同的状态,在每一状态中有一组瑞利混合模型参数与之相对应,通过把语音信号分成不同的状态对语音进行分类,为语音短时谱幅度建立更为准确的模型。

基于高斯马尔科夫模型的高光谱异常目标检测算法研究

随着光谱成像技术的发展,高光谱异常检测在遥感图像处理中的应用越来越广泛。传统RX异常检测算法忽略影像空间相关性,而且由于没有经过有效数据降维,运算耗费大,对于高光谱数据有效性不高。高光谱影像在空间和光谱上符合高斯-马尔科夫模型。通过建立马尔科夫参数能够直接计算协方差矩阵的逆矩阵,避免了高光谱海量数据的庞大计算。提出一种基于三维高斯-马尔科夫随机场模型的改进RX异常检测算法。该方法用高斯-马尔科夫随机场模型模拟高光谱影像数据,用最大似然近似法估计高斯-马尔科夫随机场参数,由高斯-马尔科夫随机场参数直接构造检测算子,并以待检测像元为中心设置局部优化窗口,称为马尔科夫检测窗。取窗口内数据计算均值向量和协方差逆矩阵,得到中心像元的异常度,通过移动窗口进行逐像元检测。应用AVIRIS高光谱数据对传统RX算法、高斯-马尔科夫模型背景假设异常检测算法和该算法进行了仿真实验对比。结果表明,该算法能够有效提高高光谱异常检测效率,降低虚警率。运行时间较传统RX算法提高了45.2%,体现出更好的计算效率。

主分量分析和隐马尔科夫模型结合的轴承监测诊断方法

为了快速识别轴承的故障模式以及性能退化状态,提出了一种基于主分量分析和隐马尔科夫模型的轴承监测诊断方法。该方法首先提取了轴承振动信号的混合域故障特征集,使用主分量分析对混合域故障特征集降维,然后使用降维后的特征训练隐马尔科夫模型,最后用降维后的测试样本测试模型的性能,根据隐马尔科夫模型输出的对数似然概率,确定轴承故障模式以及轴承的性能退化状态。开展了不同状态滚动轴承振动测试实验,数据分析结果表明,提出的方法诊断准确率均能达到100%,相比基于补偿距离选择特征降维及隐马尔科夫模型诊断方法,最高将分类离散度提高123.74%,并且在轴承的性能退化实验中,提出的方法能在故障早期给出故障预警,证明了该方法的有效性和准确性。

基于隐马尔可夫模型和高斯混合模型结合的声音转换方法

针对隐马尔可夫模型较强的语音信号表征能力和高斯混合模型良好的声音转换效果,提出了一种了隐马尔可夫模型和高斯混合模型相结合转换线谱频率的方法,给出了理论推导和算法流程,并利用高斯建模实现了韵律特征的转换。利用所述算法对录制的两段语音进行了仿真实验,转换语音有较好的自然度和清晰度,ABX测试结果显示,文中算法得到的语音在听觉上有90.2%的概率更接近目标说话人语音。

我国金融行业间风险相依性研究——基于隐马尔科夫混合Copula模型

基于GAS边缘分布模型,将混合Copula嵌套于隐马尔科夫模型框架中,构建高维动态混合Copula模型,实证研究了我国金融行业中的银行、保险、证券和信托4个子行业间的动态相依性与最优动态路径,并对金融四大子行业间的尾部情况进行了分析。研究结果显示:基于隐马尔科夫混合Copula模型优于3个单一Copula模型和混合Copula模型,它能较好地描述金融行业间的动态相依性和动态转换路径;还能通过高相依状态来有效地捕捉加剧金融行业风险传染的重大事件;两状态的尾部相关系数显示,金融行业高状态时更易发生尾部风险,发生风险时,银行业和保险业对彼此冲击最敏感,且更易受到对方冲击的影响。

基于高斯混合-隐马尔可夫模型的特种设备敲击检测

通过设计金属构件的敲击检测试验,研究分析了敲击信号的频谱特征,并对利用语音识别技术识别金属材料内部缺陷的可能性进行了验证。结果表明,缺陷的存在会导致敲击信号的频谱向低频段移动或频率主峰发生分裂,利用敲击信号的MFCC(梅尔频率倒谱系数)特征参数构建的GMM-HMM(高斯混合-隐马尔可夫模型)可有效识别出不同类别的缺陷试件,但识别结果易受到噪声影响;经"二元信息融合+噪声泛化"算法改进后的GMM-HMM在强烈噪声干扰下(10 dB信噪比)仍具有较高的识别率,且在敲击声信号融合权重为0.6时识别率达到最优(99.3%)。

隐马尔科夫模型在三维模型自动分类中的应用

针对三维模型的分类问题,提出了一种基于隐马尔科夫模型(HMM)和最大期望(EM)算法的三维模型自动分类方法。将HMM引入三维模型自动分类问题中使得更多先验知识在分类过程中被利用。算法首先对三维模型进行预处理和组合切分,并提取各切分部分的形状直方图特征。对形状直方图特征进行离散归一化后形成HMM模型在某一时刻的观测值,这些观测值将用来训练HMM参数。HMM参数通过EM算法进行估计。最后通过计算未知模型和各类模型的HMM参数间的最大后验概率,获得三维模型的分类结果。在HMM建模过程中利用HMM本身所具有的时序性来描述三维模型的空间几何结构和局部几何特征。实验表明该方法在三维模型自动分类中有较高的准确率。

基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测

随着电动汽车在我国的发展,动力电池的安全性能成为评价电动汽车综合产品力的重要指标,其中动力电池热失控的检测对乘车人员的安全至关重要。针对传统热失控检测方法在实际应用中难以准确做出判断的问题,从电池传感器直接观测的电压、电流、时间等参数中提取状态特征向量,使用混合高斯模型对特征进行最优化筛选。分别对动力电池不同的安全状态评估其混合概率分布,通过BW方法建立隐马尔可夫模型,利用维特比算法对当前观测序列计算相似概率来判断当前电池的健康状况。实验结果表明,隐马尔可夫模型对动力电池热失控的识别较常见时序检测方法更为准确,可以实现在无需电化学仪器检测的前提下达到初步热失控风险检测的目的,提升安全检测效率,降低检测成本。