基于浮动车速度波动特征的交通状态识别

为实现路段交通状态的准确判别,解决单参数无法直接识别道路交通状态问题,本文利用高频浮动车速度数据,使用灰度共生矩阵特征值对比度和逆方差表示车辆行驶的波动特征。基于城市道路交通状态变化的动态性与连续性,围绕固定时间窗口内车辆的平均车速、对比度和逆方差,采用FCM(Fuzzy c-means)算法进行聚类分析,得到畅通、平稳、拥挤和阻塞这4种状态阈值。提出基于多维高斯隐马尔可夫模型的交通状态识别方法,分别以3,5,6 min固定时间窗口训练模型。模型状态转移矩阵表明,时间窗口越小其保持原有交通状态的可能性越大,时间窗口越大交通状态突变的可能性越大。使用不同序列长度对比3种时间窗口在测试集中的识别精度,结果表明,随着序列长度的变化,精度显示出先升高后降低的趋势,且固定时间窗口越大,不同序列长度的识别精度变化越均匀。最后利用5 min固定时间窗口划分数据使用本文方法和支持向量机以及随机森林分别进行道路交通状态识别,综合精度分别为92.00%、84.89%、88.48%,同时本文方法在查准率、召回率和F1度量(F1-score)指标均优于其他两个模型,说明道路车速的波动特征可以很好地反映道路交通状态,多维高斯隐马尔可夫模型对道路交通状态的识别效果良好。

多维GMM与邻域约束的多光谱机载LiDAR数据城市地物分类

如何充分利用空间位置及多光谱信息完整、准确地区分各类地物是多光谱机载激光雷达点云应用的重要前提。传统的基于点的分类算法受点云无法明晰表达拓扑及邻域信息的局限导致算法设计困难、执行效率低,而将点云插值为图像的分类算法则受图像存在信息及精度损失的局限导致分类精度较低。另外,点云和图像两种结构均无法直接表达地物的三维几何形体,不利于地物三维建模及分析。为此,本文提出了一种多维高斯混合模型(Gauss mixture model,GMM)与邻域约束的多光谱机载LiDAR城区地物分类算法。该算法首先以无损且明晰表达邻域信息为原则将多光谱LiDAR数据体素化为多值虚拟体素结构,其中,虚拟体素为体素与其内激光点的联合体,虚拟体素值是由体素内激光点的多波段光谱、高程、局部法向量分布及点密度等特征构成的特征矢量。然后,构建模糊聚类模型对多值虚拟体素结构进行分割,获得各虚拟体素的模糊隶属度矩阵。其中,特征空间地物呈现的多峰分布用多维GMM拟合,从而建立标号场,并将多维GMM的概率分布作为非相似性测度;标号场中相邻体素类别的空间相关性用隐马尔可夫随机场模型建模,从而建立邻域约束下的先验概率,并将其作为控制聚类尺度的参数;采用附有规则化项的目标函数解决聚类尺度敏感问题。最后,对隶属度矩阵进行反模糊化确定分类结果。采用Optech Titan实测的不同场景的、不同数据量的多光谱机载LiDAR数据定量评价本文算法的有效性和可行性。试验结果表明,本文算法的平均总体精度可达91.32%、Kappa系数可达0.872,可有效实现对城市各类地物的分类;本文算法综合利用了地物的辐射、空间及几何一致性信息,扩大了信息利用种类,为多光谱机载LiDAR数据的空间位置及多光谱信息的综合利用提供了可行方案。

城市道路车辆行为识别方法研究

为了提高城市道路驾驶的安全性,提出一种基于混合高斯隐马尔科夫模型的城市道路车辆行为识别方法。首先通过仿真平台获取城市三车道道路场景的车辆运动轨迹信息和车辆信息并对其进行数据处理和特征提取,选取目标车辆车头中心与初始所在车道右侧车道线的距离,以及目标车辆纵向和横向速度作为特征参数,再通过鲍姆-韦尔奇算法对模型参数进行训练迭代更新,最后结合前后向算法实现城市道路车辆行为的识别。仿真结果表明,采用混合高斯隐马尔科夫模型对城市道路车辆行为进行识别具有较高的精度。

基于GMM-HMM的话题生命周期状态识别及趋势预测方法

[目的/意义]本研究对正处于演化过程中的话题进行状态识别及趋势预测,为相关部门了解话题现状,对话题进行有效监管提供科学依据。[方法/过程]首先,考虑网民情感,结合话题的新颖度和关注度,构建话题生命周期状态观测指标;其次,基于隐马尔可夫模型(HMM)和高斯混合模型(GMM)的原理,提出话题生命周期状态识别及趋势预测方法;最后,选用微博话题构建数据集,设计对比实验,验证方法的有效性。[结果/结论]基于GMM-HMM的话题状态识别及趋势预测方法的F1值和准确率均高于87%,MAPE低于3.5%,相较于GaussianHMM和BP神经网络具有较大优势。

基于GMM-HMM模型的高压套管绝缘多点受潮状态评估

为了明确高压套管油纸绝缘受潮状态和水分来源,基于频域介电谱法提出了一种评估套管多点受潮状态的方法。采用Dissado-Hill模型提取特征参量,利用灰狼算法优化的高斯混合模型-隐马尔可夫模型评估套管受潮状态。结果表明,交叉验证识别准确度最小为96%,现场套管测试结果与实际情况一致。方法可有效诊断出高压套管的水分来源及其受潮状态。

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。

面向复杂多陷阱的随机电报噪声提取技术

随着集成电路的发展,器件尺寸不断减小,导致MOSFET栅氧化层中的陷阱增多。低频噪声随之产生,尤其是随机电报噪声RTN变得愈发明显,对器件的可靠性提出了挑战。当器件中的陷阱个数多于1个时,陷阱间的耦合效应也对RTN信号的分析产生了重要影响。因此,开展针对复杂多陷阱情况下的RTN信号的提取技术的研究变得尤为迫切。目前现存的RTN提取技术在处理大数据量时迭代所耗费的时间成本大,且自动化程度不高,这些问题亟需解决。基于RTN信号非高斯性质,提出了自动化检测RTN信号的方法和自动化判定陷阱数方法,使得RTN信号的提取更加准确和高效。另外,还针对迭代过程中重要参数提出了自适应模型的方法,实现了大部分RTN信号提取的迭代加速。最后,对实测RTN信号应用上述方法进行参数提取,并分析了耦合效应对参数产生的影响。

基于CGHMM的轴承故障音频信号诊断方法

轴承音频信号包含其运行状态的重要信息,通过分析这些信息就能对轴承故障进行有效诊断。率先引入基于连续高斯混合密度隐马尔可夫模型的轴承故障音频诊断方法,避免矢量量化带来的数据处理误差,提高了系统诊断精度;引入基于聚类算法的模型参数初始化方法和标定系数的前向-后向算法,简化系统复杂度,加快了训练和诊断速度,进一步提高了诊断精度。实验结果表明,诊断精度达到98.75%,具有很好的应用前景。

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。

利用小波域HMC模型进行遥感图像变化检测

传统阈值检测算法都是基于单函数模型进行的,当差异影像分布函数较复杂时检测结果较差.针对这个问题,提出一种基于小波域的隐马尔科夫链模型的遥感图像变化检测算法.将双高斯混合模型与小波变换结合,解决了单函数模型匹配率低的问题,并通过小波变换引入了图像的空间信息,提高了检测精度.利用双高斯混合模型对小波分解后的多层差异影像进行拟合,根据拟合结果判定待检测点类别.对得到的多层初始分割结果,利用隐马尔科夫链模型根据连续最大后验概率融合,得到最终变化检测图.对真实遥感数据集进行实验,证明这种算法可以得到较好的检测结果.

脱机手写体签名识别的小波包隐马尔可夫模型

提出了一种基于小波包隐马尔可夫的脱机手写体签名识别方法。该方法用小波包对归一化的签名图像进行特征提取,用混合高斯模型刻画各频带的小波包的系数分布,并用隐马尔可夫的状态转移模型描述了高斯模型在各频带间的相关性和依赖性。该方法数据预处理简单,特征提取完全可逆,避免了复杂分割,很好地描述了签名图像的小波包分解的统计特性,实验表明具有较好的抗噪性、鲁棒性、适应性和较高的识别率。

中国手语手势词识别的一种快速方法

选取Cyberglove型号数据手套作为手语输入设备 ,采用DGMM (DynamicGaus sianMixtureModel)作为手势词识别技术 ,提出了基于相对熵的搜索策略 ,并将其应用于基于半连续DGMM的手势词识别中以提高手势词识别速度。实验结果表明 ,采用搜索策略后手势词识别效果与原来相当 ,而识别速度提高了近 1 5倍。

基于DGMM的中国手语识别系统

手语是聋人使用的语言 ,是由手形动作辅之以表情姿势由符号构成的比较稳定的表达系统 ,是一种靠动作 /视觉交际的语言 .手语识别的研究目标是让机器“看懂”聋人的语言 .手语识别和手语合成相结合 ,构成一个“人-机手语翻译系统”,便于聋人与周围环境的交流 .手语识别问题是动态手势信号即手语信号的识别问题 .考虑系统的实时性及识别效率 ,系统选取 Cyberglove型号数据手套作为手语输入设备 ,并采用了 DGMM(dynamic Gaussianm ixture m odel)作为系统的识别技术 ,即利用一个随时间变化的具有 M个分量的混合 Gaussian N-元混合密度来模型化手语信号 ,可识别中国手语字典中的 2 74个词条 ,识别率为 98.2 % .与基于 HMM的识别系统比较 ,这种模型的识别精度与 HMM模型的识别精度相当 ,其训练和识别速度比 HMM的训练与识别速度有明显的改善 .

驾驶员无意识车道偏离识别方法

为了改进车道偏离预警系统的工作效能,本文提出了考虑人-车-路特性的无意识车道偏离识别方法。首先,明确了无意识车道偏离识别的具体含义,将其划分为疲劳车道偏离和次任务车道偏离;其次,利用受试者工作特性曲线(ROC)确定无意识车道偏离的识别时间窗口,保证了无意识偏离样本筛选的有效性;再次,以12名驾驶人为试验对象,采集并对比分析了驾驶员操纵特性、车辆运动状态和车辆与车道线相对运动状态等相关参数,并分别选取作为疲劳车道偏离和次任务车道偏离识别基本特征;最后,采用高斯混合隐马尔科夫模型(GM-HMM)构建无意识车道偏离识别模型。实验结果表明,本文方法具有较好的识别效果。

基于GMM-CHMM的城市道路换道行为识别

高级驾驶辅助系统(ADAS)是提高车内乘员安全性的主动安全系统之一,将车载参数和车辆位置参数相结合,提出一种能够应用到ADAS的城市道路换道行为识别模型.在西安城市道路环境中进行实验,采集18位驾驶员的9个车载实时参数数据,以及前后车辆间的相对速度、相对距离、相对角度,提取412个换道行为单元和824个车道保持行为单元,共88992条数据.运用数理统计方法分析表明,方向盘转角、转向角速度、相对安全距离比在换道行为和车道保持行为之间有显著性差异,在这3个特征参数的基础上,建立混合了高斯混合模型(GMM)和连续型隐马尔可夫模型(CHMM)的识别模型,用部分样本对模型效能评价.结果表明,混合模型对换道行为的识别精度为93.6%,具有良好的识别效果,可以很好地应用到ADAS.

自适应期望跟车间距和行为习惯的驾驶人跟驰模型

为满足智能车辆的个性化需求,提高智能车辆人-机交互协同的满意度和接受度,构筑双层驾驶人跟驰模型框架,提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先,提取个体驾驶人跟驰均衡状态的数据,采用高斯混合和概率密度函数(Gaussian Mixture Model and Probability Density Function,GMM-PDF)建立第1层模型,即驾驶人期望跟车距离模型。然后,将期望跟车距离参数引入模型,基于高斯混合-隐马尔可夫方法(Gaussian Mixture Model and Hidden Markov Model,GMM-HMM)学习驾驶习性,建立第2层模型预测加速度,即个性化驾驶人跟驰模型。其次,研究不同高斯分量个数对模型效果的影响,对比双层模型与Gipps模型、最优间距模型(Optimal Distance Model,ODM)、单层模型及通用模型的性能。最后,8位被试驾驶人的自然驾驶行为数据验证结果表明:高斯分量数量与模型性能存在一定的正相关性;在最优高斯分量数量下,8位被试驾驶人在训练集上预测误差均值为0.101 m·s^(-2),在测试集上为0.123 m·s^(-2);随机选取其中1位驾驶人的2个跟车片段数据进行模型计算,结果显示,加速度的平均误差绝对值分别为0.087 m·s^(-2)和0.096 m·s^(-2),预测效果优于Gipps模型、ODM模型、单层模型及通用模型30%以上,与驾驶人实际跟驰行为的吻合度更高。

基于HMM的脱机手写字符识别方法研究

为了对手写字符进行识别,对隐马尔可夫模型算法及训练方法进行了探讨.首先简要地描述了字符识别的预处理和字符分割,然后利用Haar基函数提取字符特征,给出了解决隐马尔可夫模型的三个关键问题的算法,尤其是利用高斯混合模型对样本进行训练,建立了结合高斯混合模型的隐马尔可夫模型.实验结果表明,该方法有效可行,与已有研究结果进行对比,该方法具有一定的优越性.

期望最大算法及其应用(2)

EM算法是实现极大似然估计的一种有效方法,主要用于非完全数据的参数估计。文章的第一部分已经详细介绍了算法的基本原理,这部分内容着重介绍算法的各种应用,特别是高斯混合模型、隐马尔科夫模型和因子分析中的参数估计。