隐Markov模型

摘要： Cybersecurity situation evaluation and prediction is the vital issue of situation awareness. Following the ag-gregation of alert information,attack affairs are associated according to the attack pattern with four phases. The attack phase is identified and the threat level is obtained based on the vulnerabilities of cyber entities. Taking the threat level as the ob-servation variables of HMM,the situation value is successively figured out according to the estimation of HMM. The situa-tion prediction is ultimately performed via the composition of the neural-network-based predictor and support-vector-machine-based predictor. Experimental results based on DARPA2000 dataset indicate that the proposed method is able to achieve higher cybersecurity situation evaluation and prediction performance.%网络安全态势估计和预测是态势感知的重要过程.在告警信息聚合基础上,以典型攻击模式作为关联依据,结合网络资产的脆弱性识别网络实体所处受攻击阶段并将其转化威胁等级.以威胁等级作为观测值,基于隐Markov模型通过状态估计实现态势评估,并利用神经网络和支持向量机的组合模型实现态势预测.DARPA2000测试数据集上的相关实验表明,本文方法能更加准确地评估和预测网络态势.

摘要： For poor diagnosis effect of existing fault diagnosis methods for axial flow fan based on spectrum analysis which correlated fault type with spectrum characteristic value simply,a fault diagnosis method for axial flow fan based on vector ellipsoid spectrum and hidden Markov model (HMM) was proposed.Firstly,two orthogonal vibration signals of axial flow fan in the same section are fused into a complex signal in time domain,and full-spectrum amplitudes of the vibration signals under multi characteristic frequencies are obtained by fast Fourier transform of the complex signal.Secondly,the fullspectrum amplitudes under different fault conditions are used to train HMM.Finally,full-spectrum amplitudes of real-time vibration signals are as input of HMM,and Viterbi algorithm is used to calculate likelihood probability outputted by HMM.Fault type is judged according to the maximum logarithm value of the likelihood probability,which avoids simple association between the vibration amplitude and fault type.The experimental result shows that correct rate of fault diagnosis of the method is above 90％.%针对现有基于谱分析的轴流通风机故障诊断方法只将故障类型和频谱特征值进行简单关联而导致诊断效果较差的问题,提出了一种基于矢椭谱和隐Markov模型的轴流通风机故障诊断方法.该方法首先将轴流通风机同一截面内互相垂直的2个振动信号在时域上直接融合为复信号,并对该复信号进行快速Fourier变换,获得多个特征频率下振动信号的全谱幅值;然后用不同故障状态下振动信号的全谱幅值训练隐Markov模型;最后以实时振动信号的全谱幅值作为隐Markov模型输入量,采用Viterbi算法计算隐Markov模型输出的似然概率,根据最大似然概率对数判断故障类型,避免了将振动幅值和故障类型进行简单关联.试验结果表明,该方法的故障诊断正确率达90％以上.

摘要： 针对传统的基于隐马尔科夫模型(HMM)的设备评估模型大多假定设备状态间的转移概率不变,忽略了实际运行中设备状态间转移概率会随使用时间的增加而变化的问题,提出一类考虑劣化因素的HMM,通过设计劣化因子来克服传统HMM的不足,并开发了一个双重的期望值最大算法来估算劣化因子和状态初始转移概率矩阵,从而对设备状态进行评估.最后,通过算例验证了模型的可行性和有效性.%The traditional Hidden Markov Model (HMM) usually assumed transition probability unfixed,which ignored the influence on transition probability by increasing usage.For this problem,an age-dependent HMM was proposed to eliminate this disadvantage so as to obtain accurate diagnosis result,in which a double Expectation Maximization (EM) algorithm was developed to estimate the aging factor and initial transition probability matrix.Through a numerical example,the computational results could prove the reliability and effectiveness of this proposed model.

摘要： In order to realize the adaptive software ,we proposed an adaptive software decision model based on hidden Markov model (HMM ) for the complex and changeable operating environment . Firstly ,the Gaussian mixture model (GMM) was used to classify the initial environment .Secondly , the softmax regression was used to classify and divide the perceptual environment .Finally ,we used HMM instead of the manual intervention to make software decisions .The experimental results show that the adaptive software model can achieve the adaptive software decision well under the condition of the change of the perceptual environment .%为实现软件的自适应,针对复杂多变的运行环境,提出一个基于隐M arkov模型(HMM)的自适应软件决策模型.首先运用高斯混合模型(GMM)对初始环境进行分类,然后使用softmax回归对感知环境进行归类划分处理,最后利用HMM代替人工干预进行软件决策.实验结果表明,该自适应软件模型在感知环境发生变化的条件下,能很好地实现软件自适应决策.

摘要： 提出了基于奇异值分解(Singular Value Decomposition,SVD)特征矩阵压缩和隐Markov模型(Hidden Markov Model,HMM)的动态手势识别方法.该方法通过SVD对特征矩阵进行时间维度的压缩,然后通过HMM的方法对提取的动态手势进行识别.通过对特征矩阵压缩可以显著地减少训练HMM的迭代计算量,提高模型的训练效率.采用Leap Motion体感控制器追踪并提取自定义的10个阿拉伯数字的动态手势特征.实验验证结果表明,该方法对这些动态手势在当前有限样本条件下的总识别率均在96％以上.

摘要： 提出了基于奇异值分解（Singular Value Decomposition，SVD）特征矩阵压缩和隐Markov模型（Hidden Markov Model，HMM）的动态手势识别方法。该方法通过SVD对特征矩阵进行时间维度的压缩，然后通过HMM的方法对提取的动态手势进行识别。通过对特征矩阵压缩可以显著地减少训练HMM的迭代计算量，提高模型的训练效率。采用LeapMotion体感控制器追踪并提取自定义的10个阿拉伯数字的动态手势特征。实验验证结果表明，该方法对这些动态手势在当前有限样本条件下的总识别率均在96％以上。

摘要： 随着互联网的不断发展,大多数社会网络已逐渐显示出动态特性,动态社会网络社团分析对理解现实生活中社会网络结构和功能具有非常重要的意义.针对动态社会网络中的社团发现问题,提出一种基于隐Markov模型(hidden Markov model,HMM)的HMM DC算法.该算法考虑到社会网络的动态特性,结合历史信息,将社团发现转化为求解隐马尔可夫模型中的最优状态序列问题,将网络中的社团结构和节点信息分别采用状态链和观察链表示,在无须指定额外参数的情况下实现动态网络的社团结构发现.最后,利用该算法和其他算法对VAST数据集、ENRON数据集和Facebook social network数据集进行实验仿真.仿真结果表明:该算法能够快速、准确地发现真实动态网络中的社团,其模块度Q值和互信息NMI值有很大提升.%With the continuous development of the Internet,most social networks have gradually demonstrated dynamic characteristics,and dynamic analysis of social network community has a very important significance on the understanding of the structure and function of social networks in real life.The HMM_DC algorithm (hidden Markov model based on dynamic community detection) is proposed according to the HMM (hidden Markov model) to detect the community in dynamic social network.Firstly,the algorithm transforms the community detection problem to get the optimal status chain in hidden Markov model considering the history information and characteristics in dynamic social networks.And the algorithm uses the observed chain and status chain to represent the community structure and node information,and can identify the community structure without extra information.Finally,this algorithm and three other algorithms are used to make comparable simulation experiments with VAST data set,ENRON data set and Facebook social network data set.Experimental results show that HMM_DC algorithm performs effectively and accurately in identifying the community structure in the dynamic social network and the value of Q and NMI can be raised greatly compared with other three algorithms.

摘要： 为了充分利用桥梁历史数据,通过桥梁技术状况确定并预测承载能力,提出一种基于隐Markov模型的桥梁承载能力退化模型.首先对承载能力等级进行划分,再建立承载能力退化的Markov模型,最后引入桥梁技术状况与承载能力之间的概率模型,建立了承载能力退化模型.

摘要： As to solving the issues of insufficient training data and initial parameters sensitive in existing protocol anomaly de-tection based on hidden Markov model,this paper presented a new protocol anomaly detection method based on improved genet-ic algorithm and hidden Markov model.First,it used the local competitive selection strategy,arithmetic crossover and adaptive non-uniform mutation operator to improve the genetic algorithm,in order to avoid the premature and stagnation problemin in tra-ditional genetic algorithm.Then,it recommended the improved genetic algorithm to optimizethe initial parameters of hidden Markov model to avoid the initial model parameters sensitive issue.Finally,it took the keyword and keyword interval as training observations,described the behavior of protocol in detail to expand the training sample space.Experimental results on DARPA 1999 data set show that the method has higher detection rate and low false alarm rate.%针对现有基于隐Markov模型的协议异常检测方法中存在的训练样本不足和初始参数敏感问题，提出一种基于改进遗传算法和隐Markov模型的协议异常检测新方法。首先，采用局部竞争选择策略、算术交叉算子和自适应非均匀变异算子改进遗传算法，避免传统遗传算法在收敛过程中的早熟和停滞问题；然后，利用改进的遗传算法优化隐Markov模型的初始参数，解决模型对初始参数敏感的问题；最后，以协议关键词和关键词时间间隔作为训练观测值，细粒度地描述协议行为，扩大模型的训练样本空间。在DARPA 1999数据集上的实验结果表明，该方法具有很高的检测率和较低的误报率。

摘要： 论述了隐Markov模型(Hidden Markov Model,HMM)的理论与算法,综述了该方法在故障诊断中的国内外现状.HMM具有很好的包容性,是一种基于不完全观测数据的统计模型,使得该模型运用范围相当广泛,适用性也很强.隐Markov模型的主要功能是进行建模分类,通过不同特征值组各自进行模型训练.在机械设备运转过程中,设备的工作状态都可以由一组特征矢量来描述,这些特征矢量可以使用HMM进行模型训练.最后,给出了基于NOFRF的机械故障诊断方法中值得研究的问题.

摘要： 论述了隐Markov模型(Hidden Markov Model,HMM)的理论与算法,综述了该方法在故障诊断中的国内外现状.HMM具有很好的包容性,是一种基于不完全观测数据的统计模型,使得该模型运用范围相当广泛,适用性也很强.隐Markov模型的主要功能是进行建模分类,通过不同特征值组各自进行模型训练.在机械设备运转过程中,设备的工作状态都可以由一组特征矢量来描述,这些特征矢量可以使用HMM进行模型训练.最后,给出了基于NOFRF的机械故障诊断方法中值得研究的问题.

摘要： 论述了隐Markov模型(Hidden Markov Model,HMM)的理论与算法,综述了该方法在故障诊断中的国内外现状.HMM具有很好的包容性,是一种基于不完全观测数据的统计模型,使得该模型运用范围相当广泛,适用性也很强.隐Markov模型的主要功能是进行建模分类,通过不同特征值组各自进行模型训练.在机械设备运转过程中,设备的工作状态都可以由一组特征矢量来描述,这些特征矢量可以使用HMM进行模型训练.最后,给出了基于NOFRF的机械故障诊断方法中值得研究的问题.

摘要： 论述了隐Markov模型(Hidden Markov Model,HMM)的理论与算法,综述了该方法在故障诊断中的国内外现状.HMM具有很好的包容性,是一种基于不完全观测数据的统计模型,使得该模型运用范围相当广泛,适用性也很强.隐Markov模型的主要功能是进行建模分类,通过不同特征值组各自进行模型训练.在机械设备运转过程中,设备的工作状态都可以由一组特征矢量来描述,这些特征矢量可以使用HMM进行模型训练.最后,给出了基于NOFRF的机械故障诊断方法中值得研究的问题.

摘要： 本文提出了一种基于隐Markov模型的实时网络安全态势预测模型HMM-NSSP。该模型首先采用改进的基于危险理论的安全评估方法进行安全态势评估,根据已有的网络安全态势评估值建立一个HMM状态转化模型,然后对未来可能发生的攻击进行分析,根据建立好的HMM模型预测出下一个时刻的安全状态,最后结合网络中所有主机安全状态预测网络的安全态势。通过进行网络仿真实验验证HNM-NSSP模型的准确性与实时性,实验结果显示网络态势的预测结果与实际结果基本相同,这表明该模型能够实时客观地反映网络安全态势变化,预测结果实时有效,同时预测过程不依赖人工经验,具有实用意义。

摘要： 本文提出了一种基于隐Markov模型的实时网络安全态势预测模型HMM-NSSP。该模型首先采用改进的基于危险理论的安全评估方法进行安全态势评估,根据已有的网络安全态势评估值建立一个HMM状态转化模型,然后对未来可能发生的攻击进行分析,根据建立好的HMM模型预测出下一个时刻的安全状态,最后结合网络中所有主机安全状态预测网络的安全态势。通过进行网络仿真实验验证HNM-NSSP模型的准确性与实时性,实验结果显示网络态势的预测结果与实际结果基本相同,这表明该模型能够实时客观地反映网络安全态势变化,预测结果实时有效,同时预测过程不依赖人工经验,具有实用意义。

摘要： 本文提出了一种基于隐Markov模型的实时网络安全态势预测模型HMM-NSSP。该模型首先采用改进的基于危险理论的安全评估方法进行安全态势评估,根据已有的网络安全态势评估值建立一个HMM状态转化模型,然后对未来可能发生的攻击进行分析,根据建立好的HMM模型预测出下一个时刻的安全状态,最后结合网络中所有主机安全状态预测网络的安全态势。通过进行网络仿真实验验证HNM-NSSP模型的准确性与实时性,实验结果显示网络态势的预测结果与实际结果基本相同,这表明该模型能够实时客观地反映网络安全态势变化,预测结果实时有效,同时预测过程不依赖人工经验,具有实用意义。

摘要： 本文提出了一种基于隐Markov模型的实时网络安全态势预测模型HMM-NSSP。该模型首先采用改进的基于危险理论的安全评估方法进行安全态势评估,根据已有的网络安全态势评估值建立一个HMM状态转化模型,然后对未来可能发生的攻击进行分析,根据建立好的HMM模型预测出下一个时刻的安全状态,最后结合网络中所有主机安全状态预测网络的安全态势。通过进行网络仿真实验验证HNM-NSSP模型的准确性与实时性,实验结果显示网络态势的预测结果与实际结果基本相同,这表明该模型能够实时客观地反映网络安全态势变化,预测结果实时有效,同时预测过程不依赖人工经验,具有实用意义。

摘要： 基于隐Markov模型的单层位追踪检测算法，提出了一种利用滑动时窗实现多层位追踪的方法，避免了多层追踪时因为数据置零而引入的人为断层，同时结合小波变换的去噪和滤波功能，提高了追踪算法的准确性，经过探地雷达实测数据验证，算法具有良好的追踪效果。

摘要： 基于隐Markov模型的单层位追踪检测算法，提出了一种利用滑动时窗实现多层位追踪的方法，避免了多层追踪时因为数据置零而引入的人为断层，同时结合小波变换的去噪和滤波功能，提高了追踪算法的准确性，经过探地雷达实测数据验证，算法具有良好的追踪效果。

摘要： 本发明公开了一种n阶Markov链模型的隐写直觉模糊集距离安全性评价方法，其对隐写系统中的载体数据及载密数据进行n阶Markov链建模，根据隐写通信过程的模糊不确定性，采用直觉模糊集距离，提出了隐写系统直觉模糊集距离安全性评价指标。进一步，从理论上证明了该安全性指标的有界性、交换性和一致性。仿真实验表明，该安全性指标可以区分不同隐写算法在不同嵌入率下的安全性。而且，随着Markov链模型中n的取值增加，得到对应的隐写安全性评价指标的度量能力随之增强。此外，本发明提出的隐写安全性评价指标与确定模式的隐写安全性指标在相同模型下相比，获得了对隐写隐蔽性更全面的评价。

摘要： 主要目标在于提供能够解决前述问题的分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质。分层隐结构设置单元82设置分层隐结构，该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构。变分概率计算单元81计算路径隐变量的变分概率，该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量。成分优化单元83针对计算出的变分概率而优化成分中的每个成分。门函数优化单元84基于节点中的隐变量的变分概率来优化门函数模型，该门函数模型为用于根据分层隐结构的节点中的多变量数据来确定分支方向的模型。

摘要： 本申请提供了一种信息隐写模型训练方法、信息隐写方法、设备及存储介质，其中，信息隐写模型训练方法包括：采用隐写网络，将多个图像样本的预设隐写信息分别嵌入至多个图像样本中，得到多个图像样本对应的隐写图像样本，采用提取网络，对隐写图像样本进行处理，得到隐写图像样本对应的恢复隐写信息，采用判定网络，对多个图像样本和对应的隐写图像样本进行处理，得到隐写评估值，根据预设隐写信息、恢复隐写信息以及隐写评估值，计算目标损失函数值，根据目标损失函数值，对信息隐写模型进行参数更新，得到目标信息隐写模型。从而采用目标信息隐写模型可以对各种类型的文件进行信息隐写，兼容性强，且隐写效果佳。

摘要： 本发明公开了一种基于层次链接无限隐Markov模型的故障诊断方法。采用Lloyds信源编码技术编码对特征量的标量进行量化，并从中随机选取数据作为测试集数据；建立层次链接无限隐Markov故障诊断模型，经过层次链接无限隐Markov故障诊断模型训练后，得到故障诊断模型输出量；建立对应的各种故障的hiHMM诊断模型；与特征提取方法进行处理并训练，得到最后的识别结果。克服了隐Markov模型(HMM)故障诊断方法中缺乏自适应的不足，也克服了iHMM故障诊断模型中只能提供单一观测序列模型的问题，还解决了iHMM故障诊断模型中参数自转移的问题。在故障诊断领域中具有重要的工程应用价值和广阔的应用前景。

摘要： 本发明公开了一种N阶Markov链模型的隐写直觉模糊集距离安全性评价方法，其对隐写系统中的载体数据及载密数据进行n阶Markov链建模，根据隐写通信过程的模糊不确定性，采用直觉模糊集距离，提出了隐写系统直觉模糊集距离安全性评价指标。进一步，从理论上证明了该安全性指标的有界性、交换性和一致性。仿真实验表明，该安全性指标可以区分不同隐写算法在不同嵌入率下的安全性。而且，随着Markov链模型中n的取值增加，得到对应的隐写安全性评价指标的度量能力随之增强。此外，本发明提出的隐写安全性评价指标与确定模式的隐写安全性指标在相同模型下相比，获得了对隐写隐蔽性更全面的评价。

摘要： 一种基于PSO的隐Markov模型参数学习算法以及基于事件概率法的视频轨迹行为识别系统框架和基于视频人体运动的行为活动建模，首先从视频序列中提取行为活动的目标运动轨线特征，利用隐Markov模型以语义事件概率的方式对行为活动进行表示，从而完成对行为活动的建模。同时，基于粒子群优化算法对隐Markov模型中的参数学习算法进行改进，使得HMM的学习问题可以跳出局部最优。然后，采用时间规整法对视频人体运动建模得到的事件概率序列进行匹配以识别目标行为活动。通过Central Florida大学的人体运动数据集(UCF Human Action Dataset)和来自UCI‑KDD的ASL(Australia Sign Language)复杂运动轨迹数据集实验表明，本文提出的方法与Baum‑Welch参数估计方法相比，在行为建模的学习性能上具有较高的优越性,在识别率上取得更好的结果。

摘要： 提供使用共聚类的隐马尔可夫模型(EMHMM)进行眼动分析和使用切换隐马尔可夫模型(EMSHMM)进行眼动分析，以分析涉及具有不同特征布局和认知状态变化的刺激的认知任务中的眼动数据。提供了一种切换隐马尔可夫模型(SHMM)来捕获该任务期间参与者的认知状态转换，以及一种EMSHMM来评估涉及两个或更多个认知状态的决策任务中的偏好。本EMSHMM提供了认知行为/风格的个体差异的定量测量，对使用眼球追踪来跨学科研究认知行为产生了重大影响。

摘要： 主要目标在于提供能够解决前述问题的分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质。分层隐结构设置单元82设置分层隐结构，该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构。变分概率计算单元81计算路径隐变量的变分概率，该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量。成分优化单元83针对计算出的变分概率而优化成分中的每个成分。门函数优化单元84基于节点中的隐变量的变分概率来优化门函数模型，该门函数模型为用于根据分层隐结构的节点中的多变量数据来确定分支方向的模型。

摘要： 本发明公开了基于基音延迟子帧组组内差值Markov转移概率特征的AMR基音延迟隐写分析方法。该方法针对语音编码中两种修改基音延迟的隐写算法，提出基于基音延迟子帧组组内差值Markov转移概率的AMR隐写分析特征，采用支持向量机进行分类预测，实现了面向AMR基音延迟的隐写分析方法。本发明的优势在于，针对已有的面向基音延迟的两种隐写方法，在相对嵌入率为50％时，检测率能达到95％以上。

摘要： 本申请提供了一种信息隐写模型训练方法、信息隐写方法、设备及存储介质，其中，信息隐写模型训练方法包括：采用隐写网络，将多个图像样本的预设隐写信息分别嵌入至多个图像样本中，得到多个图像样本对应的隐写图像样本，采用提取网络，对隐写图像样本进行处理，得到隐写图像样本对应的恢复隐写信息，采用判定网络，对多个图像样本和对应的隐写图像样本进行处理，得到隐写评估值，根据预设隐写信息、恢复隐写信息以及隐写评估值，计算目标损失函数值，根据目标损失函数值，对信息隐写模型进行参数更新，得到目标信息隐写模型。从而采用目标信息隐写模型可以对各种类型的文件进行信息隐写，兼容性强，且隐写效果佳。