基于GEP和Baum-Welch算法训练HMM模型的研究

传统的向前-向后算法或Baum-Welch算法训练HMM的转移概率aij和发射概率ai(ot),使观察序列的O概率恰好达到最大值往往很难,虽然在理论上训练HMM的这两个网络结构是可能的,但仅能保证局部的最大值,而基于全局搜索的基因表达式编程(GEP)的一个主要的特点就是可以高效快速的发现全局最优解。把GEP引入到HMM的训练中去,提出一种改进的训练方法GBHA。实验结果表明,该算法比传统算法的系统效率更高、更稳定。

消除溢出问题的精确Baum-Welch算法

Baum- Welch算法是在语音领域中用于 HMM( hidden Markov model)模型参数训练的最基本方法之一 .但它在多样本训练时存在着严重的上、下溢问题 ,需要不断地人工介入来调整中间参数 .该文提出了一种新的能消除上、下溢问题的 Baum- Welch改进算法 .该算法不但摆脱了人工介入 ,保证了计算的精度 ,而且不会带来过大的计算和存储要求 .

基于Baum-Welch算法HMM模型的孤词算法研究

介绍了隐Markov模型原理,它是用来描述含有未知参数的Markov过程,是描述随机过程统计特性的概率模型。在此基础上,设计了基于HMM模型的孤词检测实验,通过优化实验模型,采用Baum-Welch算法解决HMM模型的训练问题,找到HMM模型估计参数λ值,这在数学角度上等价于其他线性预测系数。此实验在减少不必要的HMM训练的同时,降低了算法复杂程度。为了测试Baum-Welch算法的有效性,进行了数据仿真实验,结果表明该算法是有效的。

多观测序列HMM2的Baum-Welch算法

介绍了在观测噪声和马尔可夫链不相互独立的条件下二阶隐马尔可夫模型(second- order HMM:HMM2)的结构.研究了在多观测序列不相互独立的情况下HMM2的学习算法,并由此导出了该模型的参数重估公式.

HMM语音识别系统中Baum-Welch算法的优化

在HMM语音识别系统中传统的训练算法(Baum-Welch算法)计算量大、易受噪声干扰,而且当B初值选取不当时,又可能产生算法发散或者迭代收敛到非全局最优的现象。文章利用遗传算法对训练算法Baum-Welch算法进行了优化,应用于HMM语音识别系统中。仿真实验结果表明,经过遗传算法优化后的HMM模型的识别率相对于未优化的模型有一定程度的提高。

混合隐马尔可夫模型Baum-Welch算法的改进

介绍了任一时刻出现的观测矢量的概率不仅依赖于系统当前时刻所处的状态,而且依赖于系统前一时刻出现的观测矢量的前提下混合隐马尔可夫模型的结构.并研究了新模型的Baum-Welch算法,导出了该模型各个参数估计公式.

Welch功率谱估计算法仿真及分析

由于周期图法不满足一致性估计条件,因而在保证分辨力时方差性能很难满足实际应用需要.引入周期图法的一种改进算法,即Welch算法,通过对Welch算法进行研究和仿真,对算法的谱估计分辩力、方差等性能进行分析,讨论了分段长度、窗函数类型及分段重叠长度对算法性能的影响.仿真结果表明,合理的数据分段长度、窗函数类型及段间重叠,使Welch算法获得较好的分辩力及方差性能,算法在短数据信号谱估计时有一定的局限.

基于Welch算法的经典功率谱估计的Matlab分析

从经典功率谱估计周期图法原理入手,从理论上分析了其存在的局限性,借助Welch算法对其进行修正。依靠Matlab强大的数值分析和信号处理能力,进行实验仿真,比较不同的窗函数,不同的数据长度对Welch法谱估计质量的影响,并分析了造成这些影响的原因。

基于MPI的Welch功率谱估计并行算法的实现

Welch算法是一种应用很广的经典功率谱估计算法。但是面对现在日益膨胀的海量数据,单纯在串行Matlab环境下运行Welch算法势必耗费大量的运算时间。尽管Matlab也引入了并行计算工具箱,但是价格昂贵,不利于大范围推广使用。根据Welch算法的原理,在Linux集群环境及消息传递接口MPI的支持下,采用主从并行编程模式,实现了一个开源的Welch并行算法PMWelch。实验结果表明,PMWelch不仅具有Matlab下Welch算法一样的运算结果,还可以大幅减少运行时间。

改进的隔水管VIV Welch均方根位移检测算法

涡激振动均方根位移是隔水管涡激振动监测的主要参数。目前,涡激振动均方根位移监测主要采用Welch算法。该算法的一个不足之处是积分下限频率难以恰当确定,进而影响检测精度。为此,提出了频率搜索算法用于改进隔水管涡激振动均方根位移的Welch算法。改进算法根据功率谱中的线谱4个特征量预先设定谱线判据,求出频域内的谱线以及相应的频率,并剔除伪峰。仿真结果表明,与现有的Welch位移检测算法相比,改进算法抗噪能力更强,检测精度更高。

基于Welch算法的SAW传感器测量系统

声表面波(SAW)传感器性能卓越,能满足恶劣环境的测量需求。针对测量过程中干扰源淹没回波信号的问题,研究了Welch算法在复杂环境下对提升回波信号检测精度的估计方法,设计了基于SAW温度传感器的温度测量系统,验证了算法在功率谱估计中的性能。测量系统包括发射及接收链路,实现了激励源的发射、回波信号的接收与处理及温度解算等功能。搭建温升实验平台,在20℃~110℃的温度范围通过该系统对高精度数显加热台进行温度测试。测试结果表明,相较于加热台设定温度,实际温度测量误差控制在2.4%以下,系统可靠性高且具有较好的测量效果。

基于Welch算法故障电弧电流信号功率谱的特征与电弧故障诊断

为实现低压配电系统电弧故障准确诊断,依据碳电极电弧故障试验结果,基于Welch算法分析混合负载条件时故障电弧电流信号的功率谱,提出故障电弧电流信号功率谱的3个特征。根据功率谱的3个特征,提出一种新型电弧故障诊断方法——面积变化率法。研究表明,可采用所提方法诊断居民配电系统中的电弧故障,并可为发展电弧故障诊断提供理论指导。

基于WELCH算法集成学习模型的滚动轴承故障诊断

针对滚动轴承振动信号具有非平稳性、非线性且易受背景噪声干扰,故障特征难以提取等问题,提出一种基于WELCH功率谱算法的集成学习模型的故障诊断方法。首先使用WELCH算法对轴承的原始振动信号进行预处理,从中提取峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子6个参数,作为支持向量机的特征向量;然后结合集成学习算法构造Bagging-SVM集成学习模型。实验结果表明,与单一的SVM分类器相比较,Bagging-SVM集成模型对于轴承的故障诊断性能更优;在不同电机转速下的轴承故障诊断中,诊断率分别为97%,98%,98%和99.5%;说明了该集成模型在不同工况下的适用性强,诊断性能优秀。

基于Welch算法的管道漏水检测仪设计

针对城市供水管道漏水不能及时发现造成的水浪费问题,研发一种简便而精确的供水管漏水自动检测仪器。该检测仪器由DSP芯片TMS320VC5402和单片机芯片RABBIT3000共同组成,通过压力加速度传感器采集供水管道漏水的声音信号,将其变成电信号,经放大和A/D转换后,通过McBsp接口传输到DSP芯片。DSP芯片对信号进行放大、滤波,经韦尔奇(Welch)算法功率谱分析判断是否漏水,并通过相关函数定位法找出具体的漏水位置。一方面单片机芯片通过增强型接口读取DSP芯片内存中的数据,并显示在LCD屏上;另一方面通过LCD发送控制信号,完成漏水的检测。经多次实验证明,该仪器稳定性好,定位精确。

混合遗传算法和隐马尔可夫模型的Web信息抽取

传统Web信息抽取的隐马尔可夫模型对初值十分敏感和在实际训练中极易得到局部最优模型参数。提出了一种使用遗传算法优化HMM模型参数的Web信息抽取混合算法。该算法使用实数矩阵编码表示染色体,似然概率值为适应度取值,将GA与Baum-Welch算法相结合对HMM模型参数进行全局优化,并且调整GA-HMM的Baum-Welch算法参数实现Web信息抽取。实验结果表明,新的算法在精确度和召回率指标上比传统HMM具有更好的性能。

三阶隐马氏模型算法及其与一阶隐马氏模型的关系

为了考虑更多的统计特征,提出了一类三阶隐马氏模型,其中状态转移和输出观测同时取决于当前状态和前面两个状态.研究和推导了这类三阶隐马氏模型中估值问题的向前—向后算法、解码问题的Viterbi算法和学习问题的Baum-Welch算法.对此类三阶隐马氏模型,构造了一个与之等价的一阶隐马氏模型,提出并证明了它们的等价性定理.研究结果丰富了隐马氏模型的算法理论,可为一些实际应用提供更好的方法.

一种基于SDTS的HMM训练算法

用传统的BW算法训练语音识别系统的HMM需要大量的语音数据。本文在假设声学模型系统的子空间捆绑结构(SDTS)为己知的前提下,提出了一种新的训练算法,可以有效地减少系统对训练数据的需求。理论分析和仿真表明,与传统的BW算法比较,新的训练算法(IBW)可压缩模型参数15倍,从而可大量地减少训练数据。尽管新算法要用到系统的先验知识,但它还是显示了许多优越性。

基于隐马尔可夫模型的语音激活检测算法

针对现有基于隐马尔可夫模型(HMM)的语音激活检测(VAD)算法对噪声的跟踪性能不佳的问题,提出采用Baum-Welch算法对具有不同特性的噪声进行训练,并生成相应噪声模型,建立噪声库的方法。在语音激活检测时,根据待测语音背景噪声的不同,动态地匹配噪声库中的噪声模型;同时,为了适应语音信号的实时处理,降低了语音参数提取的复杂度,并对判决阈值提出改进,以保证语音信号帧间的相关性。在不同噪声环境下对改进算法进行性能测试并与自适应多速率编码(AMR)标准、国际电信联盟电信标准分局(ITU-T)的G.729B标准比较,测试结果表明,改进算法在实时语音信号处理中能够有效提高检测的准确率及噪声跟踪能力。

剖面隐马氏模型训练算法的改进

利用剖面隐马氏模型获得多序列联配,一般需要经过初始化、训练、联配三个过程．然而,目前广泛采用的Baum-Welch训练算法假设各条可观察序列互相独立,这与实际情况有所不符．本文对剖面隐马氏模型,给出可观察序列在互相不独立情况下的改进Baum-Welch算法,在可观察序列两种特殊情况下(互相独立和一致依赖),得到了改进算法的具体表达式,讨论了一般情况下权重的选取方法．最后通过一个具体的蛋白质家族的多序列联配来说明改进算法的效果．

基于极半径曲面矩和HMM的三维模型分类与检索算法

在计算机辅助设计(computeraideddesign,CAD)中,对机械零件的三维模型进行分类和检索有利于设计人员重用设计信息,从而缩短产品的开发周期,以快速响应市场需求。针对三维模型的分类与检索,提出了一种基于极半径曲面矩和隐马尔科夫模型(hiddenMarkovmodel,HMM)的分类与检索算法。首先,计算三维模型的极半径曲面矩并组成特征向量,经排序编码后,将其作为HMM的观测序列;然后,取一部分人工标注过的三维模型作为训练样本,采用添加比例因子的多观测序列B-W(Baum-Welch)算法对HMM进行训练;最后,利用训练好的HMM对三维模型进行分类与检索。实验结果显示,与现有的2种分类与检索算法相比,所提出的算法具有更高的识别率和检索效率。该算法的特点是:极半径曲面矩计算快,不用将三维模型体素化;HMM训练快,分类能力强,且不需要大量训练样本就有一定的分类能力。研究表明,所提出的算法能较好地解决三维模型的分类与检索问题,具有一定的实用价值。