基于CHMM的齿轮箱状态识别研究

针对离散隐Markov模型(HMM)在状态识别中的不足,结合齿轮箱全寿命实验数据,研究了基于连续隐Markov模型(CHMM)的状态识别方法。建立了基于齿轮箱原始振动信号的CHMM状态识别框架,提出了基于K均值算法和交叉验证相结合的状态数优化方法,通过计算待确定观测数据的极大似然概率值来确定齿轮箱当前状态。结果表明,用原始振动信号作为CHMM的输入可以实现状态识别,验证了模型的有效性,为齿轮箱基于状态的维修提供了科学依据。

基于CHMM的轴承性能退化程度综合评估方法研究

针对传统轴承性能退化评估方法中退化阶段划分的主观性以及连续隐马尔科夫模型在建立评估模型时只考虑正常状态下的样本所引起评估结果的不足,提出了一种基于连续隐马尔科夫模型的轴承性能退化程度综合评估方法。该方法首先通过支持向量聚类方法将轴承全寿命周期划分成若干个退化阶段,然后从每个阶段中提取一定比例的样本用于训练,采用轴承正常阶段的训练样本建立轴承的连续隐马尔科夫模型,将不同退化阶段的训练样本输入模型,分别得到不同阶段样本相对于所建立正常阶段的连续隐马尔科夫模型的输出概率,据此得到样本隶属于不同退化阶段的隶属函数分布。最后,采用集对分析的方法建立轴承测试样本相对于正常阶段样本的联系度,并最终得到轴承性能退化程度的综合得分。通过利用轴承全寿命数据,并与传统连续隐马尔科夫模型及传统无量纲指标进行了对比,验证了所提出的综合评估方法在轴承性能退化评估方面的有效性。

基于CHMMs的自适应行为识别方法

针对基于传感器的行为识别系统中通道数据缺失问题,采用耦合隐马尔可夫模型提出了一个多传感器数据融合的自适应行为识别方法,该方法充分挖掘了不同传感器之间数据的关联性和人体行为中身体不同部位之间的协作性。实验分析了站立、行走、坐、躺四种行为,结果表明该方法的识别率在84%以上,并且与其他相关方法相比,具有较高的识别率和自适应能力。

基于混合模型CHMM和MLP的数码语音识别系统

针对传统的CHMM应用于语音识别系统存在的缺点,提出了一种由CHMM和MLP网构成的混合模型。该混合模型将MLP网引入到CHMM中来计算每个状态的输出概率,通过MLP网的非线性预测能力代替CHMM中的似然估计值对输出概率进行分析、分类,从而加强和提高CHMM的语音识别能力。实验结果表明,将该混合模型应用到语音识别系统中,其识别效果明显优于基于传统的CHMM的识别系统。

基于密度与距离参数的CHMM声学模型初值估计

在语音识别中,连续型隐马尔可夫模型(CHMM)在初始化时采用分段K-means算法,但该算法会导致模型参数收敛于局部最优。针对该问题,提出基于密度和距离参数的CHMM模型初始化算法。计算数据对象的距离和密度参数,选择密度值较大而同时距离较远的数据对象作为初始聚类中心,对其进行K-means聚类处理,得到最终的聚类中心,根据聚类中心初始化CHMM模型的参数。实验结果表明,与随机取值算法相比,该算法提高了语音的识别率。

基于PCA和CHMM的音频自动分类

针对DHMM分类器对音频特征进行向量量化引起的误差及特征维数过多导致计算复杂度过大的问题,提出了一种新的基于PCA和CHMM的音频自动分类方法。它先将音频特征组成一个高维向量,然后使用PCA对这些高维向量进行降维,再使用CHMM分类器对降维后的特征进行分类。实验证明了PCA和CHMM音频分类的有效性。

基于CHMM的TE过程在线故障检测

随着工业过程的规模和复杂程度的增加,对于过程安全性和可靠性的要求进一步提高.为了准确及时地检测设备故障,提出了一种基于连续隐马尔可夫模型(CHMM)的在线故障检测方法.采用主元分析(PCA)方法对过程变量数据进行特征提取,利用变长度滑动窗口技术跟踪动态数据,并提出了一个新的实时统计量作为在线故障检测的量化指标,结合实时阈值实现了CHMM的在线故障检测.将该方法应用于田纳西-伊斯曼(TE)化工过程,并与基于PCA和动态主元分析(DPCA)方法的故障检测结果进行比较,能够较准确地检测到故障,验证了该方法的有效性.

变负载下的特征提取与基于CHMM算法的齿轮故障诊断

为了对变负载工况下齿轮故障特征进行有效的提取,提出了基于ARX模型的特征提取方法,并用利用连续隐Markov模型(CHMM)对齿轮的故障进行了识别。实例分析中,对正弦性变化负载的齿轮箱进行了全寿命实验,采用基于ARX模型的方法提取特征,输入到CHMM对故障进行了准确的识别,验证了该方法的有效性。

战略性新兴产业与传统产业的知识耦合测度研究: 基于互补与替代视角

[目的/意义]识别和量化战略性新兴产业与传统产业之间的知识耦合,是理解其协同创新机制、促进产业融合与升级的关键任务。[方法/过程]基于知识互补性与替代性,文章提出一种在知识网络层面测度战略性新兴产业与传统产业之间知识耦合的方法,并通过隐马尔可夫模型发现两种知识耦合模式:融合式知识耦合与替代式知识耦合。选取2000—2020年间的全球新一代信息技术和制造业的专利数据进行实证检验。[结果/结论]研究发现,融合式知识耦合同时具有较高的产业间知识互补和知识替代,而替代式知识耦合表现为低知识互补和高知识替代。新一代信息技术和制造业之间的替代式知识耦合模式呈现出从减弱到稳定,再从稳定到加强的演化趋势。[局限]产业创新知识网络使用专利分类号的共现数据进行构建,缺少对耦合知识的语义层面的深入解读。未来可以进一步融合专利的语义信息,以更全面地反映产业间知识耦合模式以及具体内容。

基于深度强化学习的智能地址库信息分析方法

针对地址库内部的地址无法及时更新、系统无法正确识别等问题,采用耦合隐马尔可夫模型对语言接收部分进行优化,利用自然语言处理算法设计一个智能化地址库。在系统空闲时,通过将概念树与自身数据库进行对比、迭代以满足深度强化学习的检测。试验结果表明,采用耦合隐马尔可夫模型的语言模块检测正确率在90%以上,为地址库信息分析提供了一份可行方案。

滚动轴承故障振动信号特征与诊断方法

简述了恒转速条件下滚动轴承故障信号共振解调的优点和基本原理,通过实验和理论分析研究了变转速轴承故障振动信号的特点.指出了轴承损伤点冲击信号的非周期性、轴承共振频率随转速变化的变频特性,以及故障信号的双变频调制特性.建立了由变频转速信号为调制信号、变频共振衰减信号为载波的滚动轴承故障模型.给出了阶比循环平稳自相关函数的计算方法.利用循环平稳分析对旋转机械振动信号的解调功能,结合连续隐马尔可夫模型(CHMM)对动态信号的识别能力,提出了一种适用于变转速运转条件下的滚动轴承故障诊断方法,通过实验验证了方法的可行性.

基于小波灰度矩向量与连续马尔可夫模型的轴承故障诊断

根据机械设备故障诊断本质特征和连续马尔可夫模型(CHMM)所具有的较强的时序模式分类能力的特点,提出了一种基于小波灰度矩向量与CHMM的滚动轴承故障诊断方法。从轴承振动信号提取一种量纲一的小波灰度矩向量作为特征参数,并训练几种故障状态的CHmm,再运用训练好的CHMM进行轴承的状态监测与故障模式的识别。诊断与对比实验表明该方法在故障样本少的情况下仍能进行准确训练与诊断。

基于连续型HMM和PSO-SVM的滚动轴承剩余寿命预测

为了准确识别轴承当前所处的退化状态,并进一步精确有效地预测其剩余寿命,提出一种基于连续型隐马尔可夫模型(CHMM)与PSO-SVM相结合的预测方法。首先,提取轴承振动全寿命周期信号的时域、频域、时频域的特征,并构建特征空间;然后,利用CHMM将轴承全寿命周期划分若干个退化阶段,并通过选取不同阶段的特征训练样本,采用PSO-SVM进行预测模型的训练,分别得到不同阶段的剩余寿命预测模型;最后,运用滚动轴承全寿命数据对所提方法进行测试,并与全寿命周期数据CHMM分区段后的SVM模型和未分区段的PSO-SVM模型的预测方法作对比。实验结果表明该方法能有效提高预测精度,具有一定的实用性。

基于耦合隐马尔可夫模型的异常交互行为识别

为了有效识别视频监控领域中的打斗和抢劫等异常交互行为,提出一种基于耦合隐马尔可夫模型(CHMM)的异常交互行为识别方法.首先对人与人之间异常交互行为与正常交互行为的特征差别进行分析,然后提取了包括速度、面积变化率、目标外接矩形长宽比变化率、目标间距、目标运动方向角度差以及方向梯度直方图6类人体目标的运动特征和形态特征,并组成训练数据集,在此基础上使用耦合隐马尔可夫方法构建异常交互行为模型.实验中引入一些典型的行为数据库,如CASIA和CAVIAR数据集,通过和传统的基于隐马尔可夫模型(HMM)的识别方法进行对比,表明CHMM方法更适合于识别少数人的异常交互行为,且识别率更高.

耦合隐马尔可夫模型在轴承故障诊断中的应用

由于多通道数据包含了丰富的信息,有效融合多通道数据可以得到更加准确可靠的诊断结果。鉴于此,提出一种基于耦合隐马尔可夫模型的滚动轴承多通道融合故障诊断方法。该方法利用含两条链的耦合隐马尔可夫模型融合轴承水平方向和垂直方向的振动信号来进行故障诊断。通过对滚动轴承常见故障的诊断分析表明,与常用的基于隐马尔可夫模型的故障诊断方法相比,该方法可以更加准确地诊断轴承的故障。

隐马尔可夫模型中一种新的帧相关建模方法

在使用传统的隐马尔可夫模型（ｔｒａｄｉｔｉｏｎａｌｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌ，简称ＴＨＭＭ）刻画现实中的语音时有一个明显的缺点，即ＴＨＭＭ不能合适地表征语音信号的时域结构．时域上的相关性被认为对识别非常有用，因为相邻帧间的特征矢量具有很强的相关性．文章提出了一种新的方法，用以把时域的相关性糅合到一个基于传统的隐马尔可夫模型的语音识别系统中．首先，用条件概率的形式处理帧间相关性；然后，用一种非线性的概率近似公式来表征相邻帧之间的相关性．此方法丝毫不增加原来的ＴＨＭＭ的空间复杂度，而且也几乎不增加训练和识别阶段的时间复杂度．最后。

基于耦合多隐马尔可夫模型和深度图像数据的人体动作识别

为解决使用RGB图像进行特征提取时容易受外界因素干扰,且计算复杂度高等问题,采用一种更加有效的解决方案,即使用深度数据进行人体动作识别。利用Kinect采集的关节点数据,首先将人体关节划分成五个区域,对每个区域的向量夹角离散化从而描述不同的状态,再通过Baum-Welch算法学习出各区域的多隐马尔可夫模型(multi-HMM),并使用前向算法建立生成区域与动作类别概率矩阵。在此基础上,对区域及动作类别进行内耦合和间耦合分析,从而表达各关节点之间的交互关系。最后使用基于耦合的K最邻近(KNN)算法完成整体的动作识别。通过实验测试对五种动作的识别率均达到90%以上,并与3D Trajectories等方法进行对比,实验得到的综合识别率高于对比方法,具有明显的优势。

一种适于非特定人语音识别的并行隐马尔可夫模型

为了适合非特定人语音识别,提出了一种由多条并行马尔可夫链组成的并行HMM(Parallel Hidden Markov Model,PHMM),从而融合了基于分类的语音识别中为各个类别建立的模板,提高了识别性能,各条链之间允许有交叉,使得融合的多模板之间存在状态共享,同时PHMM可以在训练过程中自动完成聚类,且测试语音的输出结果来自所有类别,无需聚类分析和类别判断,这些都减少了存储量和计算量,汉语非特定人孤立数字的识别实验表明,PHMM较之传统CHMM使识别性能及噪声鲁棒性都得到了改善。

基于耦合隐马尔可夫模型的输电线路状态评估

架空输电线路是输电网络的重要组成部分,其运行状态将直接影响整个输电系统的运行可靠性。为了更好地掌握架空输电线路的运行状态,需要准确地对其进行状态评估。为此,提出了一种基于人工智能的机器学习方法—耦合隐马尔可夫模型来对架空输电线路进行状态评估。根据评估要求收集架空输电线路在正常、注意、异常、严重四种状态下的历史评估数据并将数据进行归一化处理。利用该人工智能算法对归一化后的四类数据进行模型训练,得到四组不同状态下的模型参数,建立起正常、注意、异常、严重四个状态的耦合隐马尔可夫模型。将归一化后的评估数据带入建立好的四组模型当中,得到四个状态评估值,其中评估值最大的该组模型所对应的状态组别就是评估数据所反映的线路状态。采用该机器学习模型对某条架空输电线路进行实证分析和评估,并将评估结果与实际的监控情况进行比较。分析和评估结果表明,所提出的方法具有一定的实用性和可行性。

一种松耦合的生物医学命名实体识别算法

生物医学命名实体识别(Bio-NER)是生物医学文献挖掘利用的基础工作。针对目前Bio-NER存在的困难和问题,提出了松耦合的Bio-NER算法LCA,该算法利用启发规则过滤器、词性模板匹配及改良的隐马尔科夫模型(HMM)识别生物医学命名实体。在GENIA corpus3.02语料库上进行的实验表明,LCA可以达到80%的准确率和89%的召回率,优于相关工作中的结果。