基于高阶隐半马尔科夫模型的设备剩余寿命预测

针对设备剩余寿命预测误差较大的问题,提出一种基于高阶隐半马尔科夫模型(HOHSMM)的剩余寿命预测模型。首先基于隐半马尔科夫模型,建立了HOHSMM,提出一种基于排列的HOHSMM降阶方法和复合节点机制,并相应地改进状态转移矩阵和观测矩阵,使得高阶模型转化为对应的一阶模型,将更多的节点依赖关系信息储存在待估计参数组中。其次,采用智能优化算法群代替EM算法,对模型进行参数估计以及结构优化,实现了智能优化算法对高阶模型拓扑结构的简化。再次,定义并推导了高阶模型中的状态驻留变量,运用基于多项式拟合的预测方法实现了在先验分布未知情况下的设备剩余寿命预测。最后,通过美国卡特彼勒公司液压泵数据集对所提框架进行了验证,结果表明,基于高阶隐半马尔科夫模型的设备剩余寿命预测方法是更加有效的。

连续隐半马尔科夫模型在轴承性能退化评估中的应用

连续隐半Markov模型(Continuous hidden semi-Markov model,CHSMM)是隐Markov模型(Hidden Markov model,HMM)的一种扩展形式,可用于时间序列过程的动态建模。通过加入状态分布参数并对多组观测值进行连续化,可加强模型对新观测值的处理能力以及对状态驻留时间的建模能力。利用该方法建立了轴承性能退化的评估模型。首先,分析振动信号并提取频带能量作为退化特征;然后将正常状态下的特征样本作为模型的观测值对CHSMM进行训练;最后将待测的特征样本输入模型,得到待测样本相对于所建立正常模型的输出概率,作为轴承性能退化状态的标志。轴承疲劳寿命试验结果表明:所提的评估模型能较好地刻画轴承性能退化的过程,并能在早期对轴承的性能退化做出预警。

基于隐马尔可夫模型的半结构化文本信息抽取研究

随着互联网和信息技术的快速发展,大量的文本数据在互联网上被生成和存储,这些文本数据包含了丰富的信息。然而,大部分文本数据都是半结构化的,即数据的组织结构不完整或不规则,不适合直接进行分析和处理。因此,半结构化文本信息抽取成为了一个重要的研究领域,文章基于隐马尔科夫模型对半结构化文本信息的抽取进行研究。

基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.

基于领结模型和半马尔科夫的变压器故障率预测及研究

针对传统基于马尔科夫模型的变压器故障模型没有考虑各种随机故障,变压器油中溶解气体划分的状态对应多种故障模式,没有代表性,实际应用中困难很大。提出了基于领结模型和半马尔科夫的变压器故障率预测模型,根据IEEE准则中基于油中溶解气体的体积分数将变压器划分为四个状态,采用经验公式获得威布尔分布的参数。通过选取适当的参数,采用本模型能够得到与实际统计结果趋势一致的故障率曲线,可较好的反映实际变压器的故障机制。

基于半马尔科夫过程的DTN节点移动模型

节点移动模型对容延容断网络(Delay/Disruption Tolerant Networks,DTN)中路由算法性能有着重要影响.本文分析校园环境下学生所携带移动节点的运动特点,采用半马尔科夫过程模拟节点运动并建立相应的DTN节点移动模型,对模型进行仿真和分析,将仿真结果与随机路径点(RandomWay Point,RWP)模型及实际路径信息进行对比,可以看出半马尔科夫过程模型能够更准确地描述实际网络环境.

基于隐半马尔科夫退化模型的非等周期预防性维修优化

以单位时间维修费用率最小化为目标,研究非等周期下预防性维修优化问题.采用隐半马尔科夫模型(HSMM)完成退化过程时间序列的动态建模,采用多维特征变量描述设备退化状态,建立设备性能退化评估模型.为减小信号噪声对HSMM训练的影响,采用经验模态分解(EMD)分析传感器信号,获得降噪后的退化特征;将多维特征样本作为模型观测值完成HSMM训练,并获取状态转移函数矩阵;以役龄回退因子描述维修效果,采用增强精英保留遗传算法(SEGA)求解维修优化模型,得到维修次数和维修间隔的优化解.以某航空发动机全寿命周期检测数据为例,完成案例分析.结果表明:针对4个退化状态下的非等周期维修模型,初始维修周期和维修总次数分别为13.79、19,每个作业周期费用率为257499美元,为预防性维修计划的制定提供理论依据.

基于半马尔科夫链的无线网络能耗模型的研究

在分析无线传感网络能量消耗特征的基础上,根据无线通信环境和节点的状态转换关系,建立了基于半马尔科夫链的无线传感网络的能耗模型,并通过仿真实验验证得出传感节点实际能耗剩余值与所建模型能耗预估值基本相同,从而说明所建立的能耗模型准确有效,为改变传感节点工作状态、延长传感网络使用寿命提供了可靠的节点能量数据。

半马尔科夫链的无线传感网络能耗模型的设计与分析

无线传感器网络是能量严重受限的网络,传感节点能耗用尽会影响整个无线传感网络的使用寿命。如何高效利用节点能量是无线传感网络要解决的首要问题,需要建立高适应性的能耗模型来分析和预估无线传感网络的剩余能量。本文在分析无线传感网络能量消耗特征的基础上,根据无线通信环境和节点的状态转换关系,建立了基于半马尔科夫链的无线传感网络的能耗模型,并通过仿真实验验证得出传感节点实际能耗剩余值与所建模型能耗预估值基本相同,从而说明本文所建立的能耗模型准确有效,为改变传感节点工作状态,延长传感网络使用寿命提供了可靠的节点能量数据。

基于隐式半马尔科夫模型的柴油机故障诊断研究

以柴油机连杆套筒磨损为例,建立了用于磨损状况诊断的隐式半马尔科夫模型(HSMM)。将连杆套筒的健康状况分为5级,利用该模型进行故障的监测。试验和仿真结果表明:HSMM模型能较准确地判断出各个不同时期连杆套筒的健康状态,从而正确指导操作者对其进行及时的维护或修理,保证柴油机良好运转。

层次狄利克雷过程隐半马尔科夫模型识别飞行员脑疲劳状态

在民航及军用航空领域,长期恶劣飞行环境的影响将导致飞行员精神不集中,产生疲劳现象,严重影响飞行员的判断能力.因此,研究飞行员的脑疲劳状态对飞行安全来说非常重要.脑疲劳推理主要面临二个基本问题:一是如何提取脑疲劳认知的特征,二是如何识别带驻留时间的脑疲劳认知潜在状态.针对第1个问题,本文提出一种基于Kaiser窗函数的光滑伪仿射维格纳–维勒分布的方法,提取主要认知脑区的脑电节律的瞬时频谱特征.并与其他时频分布的特征进行对比,本文的特征具有明显的局部显著性.针对第2个问题,本文建立一种基于剩余寿命的隐半马尔科夫模型(HSMM)的飞行员脑疲劳认知动力学推理模型,解决了传统隐马尔科夫模型潜状态快速切换及无法对潜状态驻留时间进行建模的问题.飞行员脑疲劳认知行为是由多通道的脑节律融合的整体表现行为,建立多通道共享狄利克雷过程先验参数的层次学习网络,形成共享疲劳认知主题的子任务学习机制.实验结果显示本文的模型具有较高的推理飞行员脑疲劳状态的能力,具有广泛的应用价值.

基于半马尔科夫平滑移动模型的AdHoc网络节点相对速率分析

针对基于半马尔科夫平滑移动模型(SMS)的无线Ad Hoc网络节点相对运动速率概率分布展开研究,指出了现有基于SMS模型的节点相对运动速率概率分布分析方法存在的局限性:(1)现有分析方法得到的加速阶段节点速率概率分布与仿真结果相比偏差较大,在节点速率较小的情况下,偏差更为严重;(2)随着最小运动速率的增加,现有分析方法得出的相对速率概率分布与仿真结果相比偏差增大.针对上述局限性,本文首先通过分析得到了节点运动速率的概率分布函数,然后在此基础上提出了分析节点相对运动速率概率分布的新方法.仿真结果证明了本文提出的节点相对速率分析方法的有效性.

马尔科夫模型在网络流量分类中的应用与研究

传统的端口号与深度包检测分类技术已不能满足网络中各类应用的分类要求,无法进行准确分类。为此,提出一种基于半监督学习的马尔科夫模型网络流量分类算法。利用流之间的相关性构建马尔科夫模型,采用密度计算的方法估计聚类的中心点,通过KL距离计算中心点与样本之间的相似度,将样本划分到不同的应用类型中。使用马尔科夫模型提取特征参数,用以识别流量应用类型,并提高准确度,解决传统的基于半监督学习的流量分类方法依赖不稳定聚类算法的问题。实验结果表明,使用该方法机器学习得到的网络流量分类器可以取得理想的分类效果。

基于WSN的隐马尔科夫模型煤矿井下定位

针对煤矿井下定位精度不高的问题,提出一种隐马尔科夫模型(Hidden Markov Model,HMM)的定位方法。通过比较隐马尔科夫模型和粒子滤波模型推断出,当定位的数据需要通过多跳的方式传播时,使用半马尔科夫平滑移动模型(Semi-Markov Smooth Mobility Model,SMS)来估计误差,能量消耗,能提升定位精度。

基于隐半马尔可夫模型的用户兴趣特征提取

针对网络用户兴趣行为特征的抽取,提出了一种基于隐半马尔可夫模型的用户兴趣特征提取模型,通过用状态驻留时间的概率来控制用户浏览行为,使描述兴趣特征的隐状态和时间的相关性更紧密地结合起来,并且根据隐半马尔可夫模型可以产生多观察值序列的特性,把文本信息划分成多个文本块子区域,使每个子区域的特征和其中一个观察值序列对应起来。实验结果表明,利用隐半马尔可夫模型进行特征提取比HMM方法有更高的准确率和召回率。

基于半CRF模型的百科全书文本段落划分

介绍了基于半条件随机域(semi-Markov conditional random fields,简称semi-CRFs)模型的百科全书文本段落划分方法.为了克服单纯的HMM模型和CRF模型的段落类型重复问题,以经过整理的HMM模型状态的后验分布为基本依据,使用了基于词汇语义本体知识库的段落开始特征以及针对特定段落类型的提示性特征来进一步适应目标文本的特点.实验结果表明,该划分方法可以综合利用各种不同类型的信息,比较适合百科全书文本的段落结构,可以取得比单纯的HMM模型和CRF模型更好的性能.

基于IMF能量矩和HSMM模型的滚动轴承故障诊断方法

针对滚动轴承振动信号较为复杂以及故障状态难以识别的问题,提出基于本征模态函数能量矩和隐半马尔科夫模型(HSMM)相结合的滚动轴承故障诊断的研究方法,首先利用经验模态分解(EMD)方法具有自适应分解的优点,将振动信号分解成若干本征模态函数(IMF),然后计算本征模态函数能量矩作为故障特征信息,构造特征向量,建立隐半马尔科夫模型对滚动轴承故障状态进行诊断识别。实验表明,该方法可以有效提取滚动轴承的故障特征信息,对四种滚动轴承状态的识别率在90%以上,实现对滚动轴承故障的精确诊断识别。

鱼群启发的三维Ad hoc网络节点随机移动优化模型

为有效指导三维环境中的移动自组织无线网络(MAWN)的部署,并提高网络感知能力,受鱼群启发,构建了一种新型三维节点半随机移动模型(3D_NMM)。本文在三维高斯半马尔科夫移动模型(3D-SGM)上增加节点排斥运动状态,设计了新的节点状态转换方式;在随机路点移动模型上构建虚拟边界,提出了一种新的边界处理方法。仿真实验表明,3D_NMM较3D-SGM在空间探测率、实时覆盖率及初始探测花费上具有优势,其中实时覆盖率提高了62.2%,初始探测95%区域的时间花费降低了77%,有效提升了移动无线自组织网络的应用效能。

应用服务器多态老化模型和最优再生策略研究

针对应用服务器组件和平台之间的老化依赖关系特征,提出了应用组件再生和应用服务器系统再生两个不同粒度的定时再生策略。通过建立应用服务器老化过程的半马尔科夫模型,获得了应用服务器的可用性和维护费用函数,分析了最优再生时间的边界条件,理论分析表明两级再生策略优于单级的再生策略。模拟实验显示的再生策略和原有的再生策略相比,不仅提高了应用服务器的可用性,同时降低了系统的维护费用。

基于半监督学习的人体异常行为识别

需要进行人体异常行为识别的视频一般都是未标记的序列图像,传统的有监督的识别方法往往不能较好地反映其行为的特征,识别率不高.提出了一种基于半监督学习的人体异常行为识别方法,首先使用基于DTW距离的self-training进行标记数据扩充,然后用此扩充的序列图像样本集合训练对应的HMM,最终进行异常行为识别.实验结果证明该方法有效且识别率较高.