基于隐Markov模型的广义Markov跳变系统的控制器设计

实际系统中普遍存在时滞、输入饱和等现象,给控制器设计带来一定难度。通过设计合适的李雅普诺夫函数,考虑广义跳变系统跳变点前后状态不一致、转移概率不完全可知等情况,设计状态反馈控制器。所得控制器保证闭环系统的指数稳定性,所得结果更加具有一般性,并通过仿真算例验证方法的有效性。

基于HMM的逆雷达辐射源状态识别推理方法

雷达对抗场景中雷达方和干扰方相互感知、识别以及博弈对抗.针对雷达方对干扰方系统内部状态的非合作识别推理的问题,提出了一种对干扰系统中雷达辐射源状态识别模块处理结果进行逆向估计的方法.建立了逆状态识别任务模型,任务中的干扰系统根据雷达工作状态识别结果对其干扰动作进行优化,雷达方则基于对干扰方干扰样式序列的观测,估计干扰方对雷达工作状态的识别结果;设计了基于隐马尔可夫模型(HMM)的逆状态识别任务求解方法,具体包括通过自适应粒子群算法进行模型参数初始化,采取多观测序列的鲍姆-韦尔奇算法进行模型参数估计,采用对数维特比算法估计干扰方的雷达状态识别结果;通过典型雷达对抗场景设定下的数字仿真验证了所给逆状态识别方法的可行性和有效性.

基于流形学习和隐Markov模型的故障诊断

为实现旋转机械故障诊断的自动化与高精度,提出基于正交邻域保持嵌入和连续隐Markov模型的模型诊断方法。将活动件故障振动信号进行经验模式分解并构造Shannon熵得到高维特征向量,利用正交邻域保持嵌入将高维特征向量约简为低维特征向量,并输入到各个状态连续隐Markov链进行旋转机械的故障模式识别。通过深沟球轴承故障诊断实例验证了该模型的有效性。

基于WRF模式和风速误差修正的中期风电功率预测方法

随着新能源保供电的重要性日渐凸显,调度人员对中期风电功率预测的需求程度也进一步加深。针对由预测前瞻时间增长导致的风速预测误差不断增大问题,提出一种基于中尺度数值天气预报模式(WRF)和风速误差修正的中期风电功率预测方法。首先,利用WRF模式获取高时空分辨率的数值天气预报数据;然后,采用混合高斯分布算法量化表征预测误差的时序规律,构建基于隐马尔科夫模型(HMM)的风速预测误差修正方法;最后,基于误差修正后的风速预测建立极端梯度增强(XGBoost)模型进行功率预测。算例分析表明,所提误差修正算法显著提升了风速预测精度,同时可有效降低中期风电功率预测误差。

有限时间区间内马尔可夫跳变系统的异步滑模控制

针对马尔科夫跳变系统,讨论有限时间区间内异步滑模控制及其有限时间有界问题.针对系统存在状态不可测的非同步现象,基于隐马尔科夫模型,设计了模式相关滑模控制器,使得系统状态轨迹在规定的有限时间内被驱动到滑模面上.采用有限时间分析法,得到滑模动力学在到达阶段和滑动运动阶段的有限时间有界准则,获得异步控制器增益矩阵解的充分条件.最后,通过单连杆机器人手臂模型证明所得结果的有效性.

基于系统信息融合的滚动轴承故障模式识别

基于滚动轴承故障模式识别的随机性、灰色性和模糊性特征,从信息融合的角度出发,提出了一种融合框架。首先针对这三方面的信息分别从小波域、幅域和频域构造特征向量;然后借助于D-S证据理论,在基于概率统计的隐马尔科夫模型的诊断结果基础之上,进一步融合从系统灰色性和模糊性观点出发所得的诊断信息,从而实现滚动轴承故障模式的多角度信息融合识别;最后,利用该融合框架对实测滚动轴承故障数据进行了识别。结果表明,基于系统随机性、灰色性和模糊性信息融合的识别方法较基于系统单一性信息的识别方法能够进一步提高模式分类的正确率。

基于最优阶次HMM的电机故障诊断方法研究

介绍了一种基于隐马尔可夫模型的电机匝间短路故障诊断方法,方法中提出了一种基于信息熵的隐马尔可夫模型阶次选取策略,该策略根据求解符号出现概率的熵速率与隐马尔可夫模型阶次的关系确定模型最佳阶次,确保在得到合理的模型结构的前提下,使该模型的计算代价最小,从而得到最优隐马尔可夫模型。将该最优隐马尔可夫模型应用于电机匝间短路故障诊断实验中,获得满意的诊断结果,结果表明在保证匝间短路故障诊断精度不变的情况下,通过合理选取隐马尔可夫模型的阶次可以有效地减少模型的计算代价,提高模型的计算效率。

基于HMM&SVM的核动力设备机械故障诊断方法研究

核动力设备复杂且积累的资料与故障样本少,传统的诊断方法有待改进。隐马尔可夫模型与支持向量机是一种新的智能诊断技术。本文针对核动力设备机械故障诊断的特点,采用隐马尔可夫模型建模的方式进行故障的初步诊断,再利用支持向量机小样本的强推广能力进行进一步甄别。主泵故障模拟装置上的验证实验表明,HMM&SVM混合模型具有较高的故障识别率。

基于小波隐性马尔可夫模型的人脸检测

本文提出了一种基于小波隐性马尔可夫模型(WHMM)的人脸检测方法,根据隐性马尔可夫模型对人脸拓扑结构的约束以及小波变换的多尺度性和局部定位性,采用3状态的WHMM进行从粗到精的人脸检测。实验结果表明这种方法具有较高的检测速度与正确率及鲁棒性。

细胞膜离子单通道电流重构的计算机仿真

细胞膜离子单通道电流十分微弱(PA级),用膜片钳技术测量离子电流往往淹没在强噪声背景中。目前,采用阈值检测方法恢复通道电流信号。但是,通道开放和关闭的电流阈值需要人为设定,并且阈值法在较低信噪比时失效。采用隐马尔可夫模型(HMM)重构离子单通道电流并估计模型参数。对离子通道HMM进行描述和分析;运用Baum-Welch迭代算法训练HMM并估计模型参数;利用Viterbi算法重构通道电流最佳状态序列。将HMM与阈值法进行比较,对不同信噪比和不同转移概率情况下HMM恢复算法进行计算机仿真。结果表明:HMM与阈值法相比,具有较强抗噪能力。在较低信噪比情况下,该模型恢复信号精度高,参数收敛速度快,且电流重构误差主要出现在状态突变点。

突发事件新闻报道与微博信息的爆发性模式比较

Web信息流是突发事件监控预警中重要的信息来源，通过研究信息流的爆发特性可以及时的了解事件发展的状态。利用隐马尔可夫模型对新闻渠道和微博两种渠道的信息爆发性模式进行了分析，对28起突发事件进行了实验研究。对两种渠道的信息爆发模式上进行了比较，实验结果表明两种渠道在信息爆发模式上存在差异，这种差异不仅与突发事件类型有关，而且与突发事件的等级有关。进而对两种渠道信息传播的时效性进行了研究，结果表明微博信息演化过程快于新闻报道。结论对于突发事件监控预警具有实际的指导意义。

基于DBN-HMM的人体动作识别

动作识别使得机器能够对人体动作的意图进行判别理解,进而实现高效的人机交互。提出一种肢体角度模型,实现在三维空间中对人体动作进行表示,该模型具有一定的不变性,计算复杂度低。针对传统的基于混合高斯的隐马尔可夫模型(GMM-HMM)的动作识别,提出深度置信网络模型(DBN)和隐马尔可夫模型相结合的动作识别模型,构建了一种非线性的基于条件限制玻尔兹曼机(CRBM)的DBN深度学习模型,深层次结构使其建模能力更强,且能够结合历史信息建模,更适用于动作识别。实验表明该算法具有较高的识别结果。

利用投票选择机制进行语音分割的新方法

针对在噪声背景下连续语音信号的语音分割性能会明显下降的问题,提出了一种针对连续语音信号分割的新方法。该方法不再采用单一的端点检测方法,而是将基于分形维数的端点检测方法,基于倒谱特征的端点检测方法,基于HMM的端点检测方法等多种不同方法下得到的端点检测结果,通过投票选择的方式,得到最终的端点检测结果,从而达到对连续语音信号进行分割的目的。实验结果表明,该方法较明显地提高了语音分割的准确性。

基于隐马尔可夫模型的能量参数预测量化算法

为了充分利用能量与线性预测编码(Linear prediction coding,LPC)系数之间的相关性,提高能量参数量化效率,提出了一种基于隐马尔可夫模型(Hidden Markov model,HMM)的能量参数预测量化算法。通过适当假设,使用HMM模拟能量参数和LPC系数之间的相关性,其中离散化后的能量参数组成隐状态序列,量化后的LPC系数组成可观测序列。然后利用HMM预测每一超帧中的能量参数的变化轨迹,并根据预测出的能量轨迹对预测残差进行分模式矢量量化(Mode-based vector quantization,MBQ)。仿真实验中能量参数量化后的平均失真为2.668 dB,与线性预测量化算法相比下降了14.0%,表明本文算法通过利用能量参数与LPC系数的相关性,能够有效地提高能量参数量化效率。

神经网络在音乐分类中的应用研究

针对音乐的多样性和不确定性,使传统分类方法在大规模的实际音乐分类应用中速度慢、正确率低。为了提高音乐分类的正确率和分类精度,提出一种基于神经网络的音乐分类方法。首先采用倒谱系数提取音乐特征,选择最优的特征信号,加快识别速度,然后利用BP神经网络模型对特征信号进行训练,建立最优分类器模型,最后对测试音乐进行分类。对民歌、古筝、摇滚和流行四种音乐进行仿真实验,神经网络分类方法平均分类正确率达88.6%,比传统方法的分类正确率高出5%,同时速度也相应加快。结果表明,神经网络分类方法是一种有效的音乐类型分类方法。

基于EMD-HMM的转盘轴承故障诊断方法

针对转盘轴承故障振动信号非线性、非平稳性的特点,提出了一种将经验模态分解与隐马尔可夫模型相结合的故障诊断方法。首先对故障信号进行经验模态分解,提取固有模态函数的能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;最后,以最大似然概率所对应的故障状态作为诊断结果。试验表明:该方法能够有效、准确地识别转盘轴承的故障类型,但训练样本数及故障类型数对HMM的诊断精度都有一定的影响。

基于BIC与PSO的简约语音识别系统创建

针对当前尚无建立简约高效语音识别系统标准方法的情形,提出了通过贝叶斯信息准则(Bayesian InformationCriterion,BIC)中的权衡系数折中选择系统识别率与复杂度,利用改进的粒子群优化(Particle Swarm Optimization,PSO)算法优化声学模型拓扑结构,进而创建高效简约语音识别系统的新方法。TIDigits上的实验表明,与传统方法创建的同复杂度的基线系统相比,用该方法建立的新系统句子正确率提升了7.85%,与同识别率的基线系统相比,系统复杂度降低了51.4%,说明新系统能够以较低的复杂度获得较高的识别率。

考虑天气因素的区域配网扰动事件预估

配网运行环境的日益复杂化使电能质量预测的难度不断增大。为解决区域配网的电能质量预测问题,挖掘电力扰动模式,提出一种基于多阶段离散隐马尔科夫模型（discrete hidden markov model,DHMM）的扰动事件预估方法。首先采用数据清洗和离散化技术对天气类型和扰动事件严重程度进行划分;然后通过信息熵相关性分析和时间序列合成的多阶段预处理,提取天气敏感型区域配网的电能质量扰动事件观测序列;最后利用DHMM对观测序列进行训练,实现电力扰动模式提取和扰动事件预估。依据实际城市电网电能质量数据,验证了本文方法的有效性和实用性。相比于传统方法,计及天气因素的DHMM具备更高的电力扰动事件预估准确率。

基于EMD-HMM的BIT间歇故障识别

针对引起机内测试系统(BIT)虚警的间歇故障,提出了一种基于经验模态分解(EMD)和隐马尔科夫模型(HMM)的间歇故障诊断方法以抑制虚警。首先对原始信号进行EMD分解,选择能量最大的几个固有模式分量函数(IMF)进行特征提取,作为系统状态的观测值;然后将观测值输入到训练好的HMM中进行决策,求取最大似然概率值作为识别结果。结果表明,利用EMD进行特征提取并与HMM方法相结合能很好地分类出各种状态,有效地诊断出间歇故障。

可训练文语转换系统的时长模型优化

文语转换是人机交互的一项关键技术。当前的基于隐马尔可夫模型的语音合成系统已经能够合成出较高自然度和可懂度的声音,但与自然语音相比,韵律的节奏感不强,其主要原因是受时长的影响。提出在生成状态时长时同时优化状态、音子和音节三层模型的似然值,并通过考虑状态和长时时长的信息,使在重估计的过程中减少状态时长的错误。在普通话语料库上的实验证明,优化后的时长模型能够产生更加准确的状态时长,与状态级的基线系统相比较,均方根误差由19.90提高到了17.45。主观评测也显示改进后的模型优于基线模型。