Recent Applications of Hidden Markov Models in Computational Biology

This paper examines recent developments and applications of Hidden MarkovModels (HMMs) to various problems in computational biology, including multiple sequence alignment,homology detection, protein sequences classification, and genomic annotation.

基于FMFCC和HMM的说话人识别

美尔频率倒谱系数(MFCC)是说话人识别中常用的特征参数,而语音信号是非平稳信号,MFCC并不能很好的反映语音的时频特性。针对这一缺陷,为了提高说话人的识别率,结合新的时频分析工具分数傅立叶变换(FRFT)。将MFCC推广到分数形式,得到分数美尔频率倒谱系数(FMFCC),用以表征语音信号的特征;并利用可分性测度验证了特征参数的有效性;通过建立20个不同说话人的FMFCC特征库,采用隐马尔可夫模型(HMM)对说话人进行仿真识别。仿真结果表明,在合适的变换阶次下,说话人的平均识别率可达93%以上。

视觉驱动的语音合成系统中唇形轮廓的正交变换描述

为了能够自动而且快速地获取唇读系统中所必需的唇形轮廓特征,提出了将正交压缩变换的方法用于唇形轮廓的特征提取,并对得到的唇形轮廓曲线进行了分析研究。通过离散傅里叶变换(DFT)和离散余弦变换(DCT)分别得到描述唇形轮廓特征的傅里叶描述子和离散余弦变换描述子,然后将两类描述子作为唇形轮廓的特征向量,采用隐马尔可夫模型(HMM)进行学习和识别。基于独立汉字发音的实验表明:在达到40%的识别率时,刻画唇形轮廓特征所需的离散余弦变换描述子数目为15个,傅里叶描述子数目为20个。在相同的识别效果时,刻画唇形轮廓特征所需的离散余弦变换描述子数目少于傅里叶描述子,可减少数据运算量和运算所需时间。

基于隐马尔科夫模型的变压器剩余寿命分析

针对电力变压器故障引起的被迫停机状况,推进符合运维需求的视情维修机制,利用隐马尔科夫模型对变压器剩余寿命进行了研究.收集系统相关运行状态和工况数据,利用退化信息及历史寿命数据基于隐马尔科夫模型对系统进行退化状态评价,得出状态转移矩阵以及观测概率矩阵.利用故障比率模型进行可靠度分析,得出变压器剩余寿命概率分布.结果表明,本文方法能大概率准确预测变压器剩余寿命.

基于统计模型的基因预测

基因预测是指预测DNA序列中编码蛋白质的部分。随着多数生物基因组的测序工作的完成 ,基因预测更显得尤为重要。基因预测主要包括两种方法 ,首先是同源方法 ,也称为“外在方法” ,其次是基因预测方法或称为“内在方法”。主要对隐马尔可夫模型、傅立叶变换、动态规划等几种“外在方法”进行介绍。

隐半马氏模型在 3′剪接位点识别中的应用(英文)

新近的基因识别软件比先前的软件有着显著的提高 ,但是在外显子水平上的敏感性和特异性仍然不十分令人满意 .这是因为已有软件对于剪接位点 ,翻译起始等生物信号位点的识别还不够有效 .如果能够分别提高这些生物信号位点的识别效果 ,就能够提高整体的基因识别效率 .隐半马氏模型能够很好地刻画 3′剪接位点 (acceptor)的结构 .据此开发的一套对acceptor进行识别的算法在Burset/Guigo的数据集上经过检验 ,获得了比已有算法更好的识别率 .该模型的成功还使得我们对剪接点上游的分支位点和嘧啶富含区的概貌有了一定的认识 。

一种基于CSI的高鲁棒性步态识别方法

针对目前的室内人员步态识别方法存在计算量大、设备成本高、鲁棒性低等问题,提出一种基于信道状态信息的高鲁棒性室内人员步态识别方法WiKown。通过快速傅里叶变换设置能量指示器监测人员行走行为,将采集的CSI步态数据经滤波与降噪处理后以滑动窗口的方式提取特征值,得到人员步态的CSI信息后建立观测序列,最后通过高斯分布叠加拟合后引入隐马尔科夫模型计算观测序列概率,生成步态参数模型。在走廊、实验室和大厅真实多人环境中,WiKown方法对单人步态的平均识别率达到92.71%。实验结果表明,与决策树、动态时间规整和长短时记忆网络方法相比较,该方法能有效地识别出人员的步态信息,提升了识别精度和鲁棒性。

基于隐马尔可夫模型的油浸电力变压器故障预测

为分析变压器在运行过程中状态的变化并准确地预测变压器的故障,本文提出一种基于隐马尔可夫模型的变压器故障预测技术,并针对隐马尔可夫模型在模型训练时参数易陷入局部最优化的情况,利用遗传算法(Genetic Algorithm,GA)的优点对其中的Baum-Welch算法和初始参数进行优化,形成精准度更高的模型,并验证了优化后效果。另外,将高斯混合模型作为聚类方法,引入“亚健康”概念来丰富变压器的状态类型,从变压器的溶解气体分析(Dissolved Gas Analysis,DGA)数据集中提取不同健康状态特征,建立溶解气体与状态类型的特征联系。建立优化后的隐马尔可夫模型,从不同的健康状态评估各个状态的转移概率矩阵。在故障预测方面,综合DGA历史运行状态,利于隐半马尔可夫模型预测,所得的结果与实际历史情况相比较,准确度较好。

基于HMM的脱机手写数字识别中的特征提取

将HMM(Hidden Markov Model)用于手写数字脱机识别,特征提取是一个关键问题.本文首先提出一种新的FT(FourierTransform)特征提取方法一基于和差的一维FT特征,然后将其与另外几种特征进行组合,来提高系统性能,并对多种特征组合中出现的问题进行了研究.在银行票据OCR(Optical Character Reader)系统中的应用表明,本文提出的基于和差的一维FT特征提取方法及多特征组合的方法是有效的.