基于混合隐Markov链浏览模型的WEB用户聚类与个性化推荐

针对传统的Markov链模型不能有效的表征长串访问序列所蕴含的丰富的用户行为特征（用户类别特征、访问兴趣迁移特征）的缺点,提出混合隐Markov链浏览模型。混合隐Markov链模型使用多个不同的模型来区分不同类别用户的浏览特征,并为每个类别的用户设置了能跟踪捕捉其访问兴趣变化的类隐Markov链模型,能更好地对WWW长串访问序列的复杂特征进行建模,在真实WWW站点访问日志数据上的用户聚类实验与个性化推荐实验的结果表明,混合隐Markov链模型与传统的Markov链模型相比,具有更理想的聚类性能和推荐性能。

基于EM方法的隐Markov软件可靠性模型

针对单一软件可靠性模型不能准确描述软件失效行为、无法合理准确地评估预测出软件可靠性的问题,将变点分析引入软件可靠性建模,提出了一种基于隐Markov过程的软件可靠性模型。该模型采用隐变量来描述影响软件可靠性的多种因素,通过隐变量的状态变化刻画出软件过程中各种因素的变化情况,构建出隐Markov链软件可靠性模型,并采用EM算法进行求解,通过实例分析来验证其有效性。实验结果表明,隐Markov链软件可靠性模型具有较强的变点检测能力,并能显著提高软件可靠性拟合精度。

关于树指标隐Markov链及其等价定义

本文参照直线上隐Markov模型的概念,给出有限树指标隐Markov链的定义.在该定义中,树指标隐Markov链由两个树指标随机过程组成,其中第一个树指标随机过程是树指标Markov链,是不能被直接观测到的隐藏链;第二个树指标随机过程是可被观测的且关于第一个树指标随机过程条件独立,对于树上的任意一个顶点,第二个随机过程此处的取值只信赖于隐藏链中此处的取值.最后,我们给出了树指标隐Markov链的三个等价定义.

隐Markov模型的强马氏性

引入隐Markov模型强马氏性的概念,并进一步研究了隐Markov模型在强马氏性方面的一些性质.

基于隐Markov模型的协议异常检测

入侵检测是网络安全领域的研究热点,协议异常检测更是入侵检测领域的研究难点.提出一种新的基于隐Markov模型(HMM)的协议异常检测模型.这种方法对数据包的标志位进行量化,得到的数字序列作为HMM的输入,从而对网络的正常行为建模.该模型能够区分攻击和正常网络数据.模型的训练和检测使用DARPA1999年的数据集,实验结果验证了所建立模型的准确性,同现有的基于Markov链(Markov chain)的检测方法相比,提出的方法具有较高的检测率.

一类新的隐Markov模型的若干性质

文章的目的是要研究一类状态链依赖观测链的新的隐Markov模型的若干性质。首先根据马氏链的性质得到了这种新的隐Markov模型的强马氏性,并将一般意义下的隐Markov模型的强极限定理推广到了这种新的隐Markov模型中。

Softw are Maintainability Evaluation Based on Quantitive Model

Software maintainability is one of the most important factors of software quality,but it is seriously difficult to evaluate the maintainability. Without evaluation,it is impossible to control. To estimate software maintainability state,parameter system of software was built up and maintainability state was defined into three states.Thought of application on maintainability evaluation based on hidden Markov chain( HMC) and fuzzy inference was presented.Three-state maintainability estimation model was constructed. To testify the feasibility of the model, a real example of software maintenance activity was carried out and the result from the example validated that the results of this study were applicable.

可列非齐次隐Markov模型的强大数定律

隐马尔科夫模型被广泛的应用于弱相依随机变量的建模,是研究神经生理学、发音过程和生物遗传等问题的有力工具.研究了可列非齐次隐Markov模型的若干性质,得到了这类模型的强大数定律,推广了有限非齐次马氏链的一类强大数定律.

基于过程识别的认知性VDT监控作业绩效形成机理

为提高认知性VDT监控作业绩效,运用隐马尔可夫模型解析作业过程并分析绩效形成机理.构建认知性VDT监控作业HMM概念模型,运用E-prime设计实验任务,运行ErgoLAB实验平台采集被试绩效及眼动数据,训练HMM参数并进行可信性验证,使用Viterbi算法将观察序列解码为认知动素链,分析认知动素链特征与作业绩效之间的关系,探究绩效形成机理.结果表明,认知性VDT监控作业过程可以用认知动素链表征,作业者和任务的不同会导致认知动素链的差异;结构相同情况下,认知动素链越长作业绩效越差;长度相同情况下,认知动素链结构和动素类型的差异会影响作业绩效.

基于多观测隐非齐次HMM的光伏功率概率预测

针对高渗透率光伏能源并网带来的不确定性对电力系统的影响,提出一种基于多观测隐非齐次马尔可夫模型(HMM)的短期光伏功率概率预测方法。首先,给出多观测隐非齐次HMM基本问题的求解方法,包括模型参数估计的学习问题与预测结果输出的解码问题。通过确定光伏出力与气象参数范围并进行离散化,得到建模所需的状态空间与观测空间。最后,据此对训练数据进行编码代入HMM学习问题求解得到最终的概率预测模型。为了检验不同非齐次性质及观测量对模型预测性能的影响,建立传统HMM、单观测/双观测二阶HMM及支持向量机模型进行模拟预测分析。结果验证了所提模型的可行性,同时考虑先前状态与观测对当前的影响可以提高模型确定性预测与区间预测性能。

基于HMM算法的矿山水灾害链复杂演化网络模型构建及应用

矿山水灾害可视为由各种相互联系的因素构成的复杂系统,通过研究矿山水灾害链中节点事件对演化过程的影响,可为矿山断链减灾提供依据。采用灾害链理论结合复杂演化网络模型,提出了灾害节点演化性子模型、灾害节点影响度子模型、灾害节点重要度子模型、灾害综合中心性模型4个子模型,利用HMM算法对子模型进行优化,构建了基于HMM算法的矿山水灾害链演化网络模型;参照前人的案例分析结果,对比分析矿山水灾害链演化网络模型的可靠性,结果表明:该模型能更有效地分析出各节点事件对整体灾害链演化的影响程度,推算出最有可能发生的矿山水灾害演化链,从而为矿山灾害链的风险分析以及断链减灾提出更合理的建议。

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.

基于隐马尔可夫模型的驾驶行为预测方法研究

根据驾驶行为受驾驶意图驱使,在时空上应先产生驾驶意图后有驾驶动作执行,再有具体的驾驶行为的时空顺序,利用意图到行为实现过程中的时间差,研究建立了基于多驾驶操作动作特征观测信息和隐马尔可夫模型的驾驶行为预测方法,实现了跑偏驾驶、一般转向和紧急转向3种驾驶行为的预测。从机动车安全预警的角度进行分析,预测出驾驶员的驾驶行为等同于获得驾驶员对车辆未来运行状态的需求,有助于及时纠正或干预驾驶员正在或即将实施的危险行为。

基于改进HMM的潜在电子故障状态识别模型

针对复杂电子装备隐性故障难以诊断的难题,在深入分析隐马尔可夫模型的核心问题及基本算法的基础上,探讨了其在故障诊断应用中存在的主要问题,建立了多状态电子装备可靠性评估模型,利用系统可靠性评估结果作为隐马尔可夫模型的初始模型特征量,改进了传统的隐马尔可夫模型,并对Baum-Welch训练算法进行了优化,形成了一套适于复杂电子装备潜在故障状态跟踪识别的数学模型。实验结果显示,理论方法及模型能够更好地识别潜在故障状态,加快了模型训练速度,提高了故障状态识别率。

利用杉木的F_1代群体构建遗传连锁图谱

对于杉木 1∶1分离的分子标记位点 ,提出了一种新的构建遗传连锁图谱的策略。通过二点连锁分析 ,任意两个位点的连锁相和重组率可以得到推断和估计。对于一个连锁群中的最优排序 ,采用隐马尔可夫链模型的方法进行多位点的连锁分析。该作图方法比通常林木上所用的“拟测交”作图方法更有效。采用该作图策略 ,利用句容0号无性系 (♀ )×柔叶杉 (♂ )的F1代群体的AFLP分子标记数据重建了句容 0号无性系和柔叶杉的遗传连锁图谱。在句容 0号无性系的连锁图谱中 ,有 10 1个标记分布在 11个连锁群上 ,图谱的总长度为 2 2 82 6cM ,平均图距为 2 2 6cM ,单个连锁群上最多含有 17个标记 ,最少含有 5个标记 ;在柔叶杉的连锁图谱中 ,有 94个标记分布在 11个连锁群上 ,图谱的总长度为 2 5 6 5 8cM ,平均图距为 2 7 3cM ,单个连锁群上最多含有 16个标记 ,最少含有 4个标记。构建的句容 0号无性系和柔叶杉的遗传连锁图谱比原有的图谱分别增加了 2 6个标记和 2 8个标记 ,双亲的图谱共增加了 5 4个AFLP标记 ,使图谱上的分子标记总数达到 195个 ,双亲遗传图谱的跨度均超过了 2 0 0 0cM ,基本上达到了杉木基因组的长度 ,图谱的覆盖率接近于 10 0 %。利用新的作图方法可以较大提高分子标记在图谱上的分辨率 。

一类隐马尔可夫模型的若干极限性质

假定隐藏的马尔可夫链为非齐次,研究隐非齐次马尔可夫模型的一些强极限定理.首先在引理中得出了隐非齐次马尔可夫模型的一些性质,从而导出了隐非齐次马尔可夫模型的三元函数一类平均值的强极限定理.作为定理的推论,得到了隐非齐次马尔可夫模型状态出现频率的一类强极限定理.隐马尔可夫模型可应用于弱相依随机变量的建模上,也可用作研究发音过程、神经生理学与生物遗传等方面的工具.

标记辅助选择育种中QTL基因型的多点联合推断

传统的育种方法对数量性状的选择存在很大难度,现代分子标记技术为实现控制数量性状基因的准确选择提供了有效的技术手段。目前分子标记辅助选择实践仅是对标记基因型的选择,而非直接对QTL基因型进行选择。尽管标记基因型容易获得,但标记基因型通常并非QTL基因型,除非有关的QTL恰巧在标记座位。因此,如何鉴别QTL的基因型成为分子标记辅助选择的关键。QTL基因型通常需要通过分子标记基因型进行推断,由于标记信息的不完全或缺失,使得对个体QTL基因型的鉴别会发生困难。本文在四向杂交设计的基础上,结合贝叶斯理论和马尔可夫链原理,提出一种通用的QTL基因型多点联合推断方法,该方法能够很方便地处理显性标记和缺失标记,同时结合标记信息和表型数据联合推断QTL基因型的条件概率。模拟研究发现,表型数据选择的效果较差,其选择的个体QTL基因型基本上都是错误的,而应用本文所论述的方法,将表型数据与标记数据相结合选择,对QTL基因型的判断正确,且推断的把握性很高。

基于聚簇隐马尔可夫模型的文本信息抽取

应用隐马尔可夫模型是文本信息抽取的一种重要方法。对于网上不同来源的文本,由于其格式很不相同,进行混合训练,一般难以得到较优化的模型。将聚簇应用到文本信息抽取中,首先通过一种改进的k-平均方法对训练文本的Markov链模型进行聚簇,然后训练各簇的隐马尔可夫模型,提出了一种基于聚簇隐马尔可夫模型的文本信息抽取算法(C-HMM)。对700篇网上不同来源的文本进行信息抽取仿真实验,结果表明,新的算法能有效地提高抽取性能。

基于MATLAB的隐马尔可夫模型识别CpG岛

随着多数生物基因组测序工作的完成,基因识别就显得尤为重要。CpG岛在基因组中有着重要的生物学意义,而识别CpG岛将有助于基因的识别。因此构建了识别DNA序列中CpG岛的隐马尔可夫模型HMM(Hidden Markov Model),并利用网上人类基因CpG岛数据库中随机选取的94条基因序列数据对该模型进行训练与检测,得到了很高的预测准确率,结果表明HMM用于CpG岛的识别是快速有效的。

基于隐马尔可夫链模型的软件维护性评估方法研究

针对当前软件可维护性评估主观性强,可操作性弱等问题,提出了定量描述维护性的维护时间统计概率描述方法,引人隐马尔可夫链(HMC)模型对维护性状态变迁过程进行描述,以可度量的维护性内部属性影响因素集量化值为观测序列,以维护时间统计概率为状态序列,构造了反映可维护性状态转移的HMC模型;收集配置管理库中软件模块历史维护时间从而确定完成维护任务频率来估计软件维护性初始状态,利用复杂网络特性计算软件维护性影响因素集的量化值,理论上即可评估出当前软件所处的维护性状态,最后运用实例对模型进行了训练与评估;结果表明,利用模型评估出的概率与实际维护任务统计出的可维护性概率基本一致,说明该方法可行且可重复,具有一定实践意义和研究前景。