隐马尔可夫模型(HMM)

摘要： 已有的飞行品质监控(FOQA)标准仅由地速的积分距离判定接地点远事件(LTE)的发生,无法结合多个快速存取记录器(QAR)参数检测并解释发生该事件的原因。通过滑动窗口对包含多个参数的QAR样本进行分段,按照分段位置形成若干分段样本集。由长短时记忆网络(LSTM)自编码器得到QAR样本分段及分段内向量的特征表示,采用K-means分别对这些表示向量进行聚类处理,实现QAR样本及其分段的符号化。使用正常航班QAR样本集的符号序列建立隐马尔可夫模型(HMM),以检测包含接地点远事件的航班。由发生及未发生接地点远事件的QAR样本各个分段的符号序列构建HMM后,采用Viterbi算法确定接地点远事件在QAR样本分段内的具体位置。在真实QAR数据集上的实验结果表明,与其他多维时间序列异常检测方法相比,所提方法不仅能有效检测接地点远事件,而且可以获得多个QAR参数的异常值,辅助领域专家分析发生该事件的原因。

摘要： 为了准确识别刀具磨损状态,提出一种细菌觅食算法(BFA)优化集合经验模态分解(EEMD)并与隐马尔可夫模型(HMM)结合的刀具故障诊断方法.首先利用BFA优化EEMD的白噪声幅值系数和总体平均次数,通过设置优化得到的最优参数,将降噪后的信号经EEMD分解为一系列本征模态分量(IMF);再依据峭度和相关系数重构信号;最后从重构信号中提取特征向量作为观测序列输入已训练好的HMM分类器中进行故障诊断.通过对刀具实验数据的分析,验证了此方法的可靠性和准确性.

摘要： 综合采用隐马尔可夫模型(HMM)和支持向量机算法(SVM),提出一种基于隐马尔科夫模型(HMM)优化的地图匹配算法.引入机器学习方法,利用支持向量机(SVM)算法对基于隐马尔可夫模型的地图匹配算法进行了优化,使用机器学习方法SVM训练状态转移矩阵,提高了状态转移概率的准确性.提出基于多重因素权重(距离、速度和方向)计算观测概率的方法,同时考虑了路段的宽度信息,提高了地图匹配的匹配精确度.基于真实数据对算法进行验证,与原始HMM算法相比,文中提出的优化算法在提高匹配精确度方面具有较好的效果,符合估计城市路径行程时间的数据需求.

摘要： 功率因数校正(PFC)装置作为电动汽车无线充电系统中整流模块与高频逆变模块之间的重要桥梁,一旦发生故障,不仅会对电网产生严重影响,还会对后端高频逆变模块造成不可逆的破坏,因此需要对其进行快速和准确的故障检测。传统故障检测方法检测时间长,检测精度低。为此,文中提出一种基于隐马尔可夫模型(HMM)的电动汽车无线充电系统PFC装置故障检测方法。首先初始化模型,然后利用鲍姆韦尔奇(Baum-Welch)算法进行故障模型训练,最后利用维特比(Viterbi)算法进行故障检测。仿真实验结果表明,采用HMM进行PFC装置故障检测的正确率较神经网络和支持向量机(SVM)最大提高了约40%,是一种快速且准确的方法,因此文中采用HMM能够有效识别出电动汽车无线充电系统中PFC装置故障的类型。

摘要： 使用全连接神经网络结合Softmax分类器对汉语的408个音节建立音节分类器,利用等长处理后的特征向量训练Softnax分类器,将Softmax分类器输出概率作为后验概率图,与隐马尔科夫补白模型(HMM/Filler)进行第一次融合,得到子后验概率图隐马尔科夫模型(Posteriorgram-HMM).针对关键词训练样本较少的问题,将标注样本进行强制切分,得到HMM每个状态上的训练数据.将隐马尔科夫最大后验概率基线模型(HMM-MAP)与Posteriorgram-HMM进行第二次融合,提出最大后验概率图隐马尔科夫模型(Posteriorgram-HMM-MAP).在数据集上训练模型后,使用测试数据对其进行测试.结果表明:Posteriorgram-HMM-MAP的综合识别率相比Posteriorgram-HMM提升了3.55％,相比HMM/Filler提升了10.29％.

摘要： 功率因数校正(PFC)装置作为电动汽车无线充电系统中整流模块与高频逆变模块之间的重要桥梁,一旦发生故障,不仅会对电网产生严重影响,还会对后端高频逆变模块造成不可逆的破坏,因此需要对其进行快速和准确的故障检测.传统故障检测方法检测时间长,检测精度低.为此,文中提出一种基于隐马尔可夫模型(HMM)的电动汽车无线充电系统PFC装置故障检测方法.首先初始化模型,然后利用鲍姆韦尔奇(Baumm-Welch)算法进行故障模型训练,最后利用维特比(Viterbi)算法进行故障检测.仿真实验结果表明,采用HMM进行PFC装置故障检测的正确率较神经网络和支持向量机(SVM)最大提高了约40％,是一种快速且准确的方法,因此文中采用HMM能够有效识别出电动汽车无线充电系统中PFC装置故障的类型.

摘要： 为提高基于智能手机内置加速度传感器的人员识别率,提出了一种基于信息分割的组合分类器识别方法.根据人员步行加速度变化特点提出了基于HMM(隐马尔可夫模型)的划分方法,将人员步行加速度划分成相对动态与稳态两个部分,分别从两个区域提取标准差、均值、能量等特征;根据不同步行速率选择这些特征和峰值点连线斜率组合成新的特征集合;最后,采用组合分类器的方法获得了更加理想的识别精度.实验结果表明,在人员慢步行走的姿态下的识别率达到了98.3％,快速步行达到了97.6％.较现有人员识别方法有较大的提高.

摘要： 针对传统语音软件包信息冗余且移动机器人控制系统通用性和代码可移植性差的问题,提出了一种基于机器人操作系统(ROS)的移动机器人语音控制系统.语音控制命令信号经预加重、加窗分帧以及端点检测等进行预处理,利用基于Fisher比的Bark小波包变换方法提取特征参数,应用隐马尔可夫模型(HMM)算法进行识别,应用C++语言将上述内容编写成软件包,使用ROS的节点功能以及通信机制将识别结果用来控制移动机器人运动.实验结果表明:系统的识别率为94％ 以上,能准确识别不同用户的语音控制命令;经与成熟SDK功能比较,系统的识别率提高了1.6％,且识别时间明显缩短,仅为255.6 ms,表明系统在确保准确率的同时提高了反应速度.

摘要： 本申请的各实施例涉及用于使用隐马尔可夫模型(HMM)标识和协助网络服务配置的创建和实现的系统。设备可以接收针对将被用于配置网络设备的网络服务配置(NSC)的请求。设备可以选择图形数据模型，该图形数据模型已经经由机器学习而被训练以分析包括与一组网络配置服务相关的信息的数据集，其中该一组网络配置服务的子集的各方面已经随着时间被创建。设备可以通过使用图形数据模型来确定通过图形数据模型的一组状态的路径，其中该路径对应于特定NSC。设备可以基于确定的路径来选择特定NSC。设备可以执行第一组动作以提供标识用于显示的特定NSC的数据和/或执行第二组动作以在网络设备上实现特定NSC。

摘要： 本发明提供了一种基于隐马尔可夫模型的目标检测模型的搜索方法。包括：建立隐马尔可夫模型，对其参数重估后形成重构隐马尔可夫模型；预测得到其观察序列，观察量比较，不相同时，对隐马尔可夫模型参数变异后重复第二步骤；相同时，生成目标检测模型并训练至收敛后进行精度值测定、召回率测定和参数量计算；结果判定，满足预设条件时，判定为搜索到的模型；不满足预设条件时，对所有目标检测模型重新排序后得到观察序列，替换原有观察序列后重复上述步骤。本发明解决了现有技术中的目标检测模型因含带参数量庞大，而导致训练好的目标检测模型在使用中对终端设备的内存和GPU的负荷较大，造成终端设备执行困难的问题，故而存在实用性差的问题的问题。

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： 本申请的各实施例涉及用于使用隐马尔可夫模型(HMM)标识和协助网络服务配置的创建和实现的系统。设备可以接收针对将被用于配置网络设备的网络服务配置(NSC)的请求。设备可以选择图形数据模型，该图形数据模型已经经由机器学习而被训练以分析包括与一组网络配置服务相关的信息的数据集，其中该一组网络配置服务的子集的各方面已经随着时间被创建。设备可以通过使用图形数据模型来确定通过图形数据模型的一组状态的路径，其中该路径对应于特定NSC。设备可以基于确定的路径来选择特定NSC。设备可以执行第一组动作以提供标识用于显示的特定NSC的数据和/或执行第二组动作以在网络设备上实现特定NSC。

摘要： 本发明针对存储在服务器中的隐马尔可夫模型（HMM）安全地评估存储在客户端中的观测值序列的概率。服务器针对HMM的各个状态确定所述观测值序列的当前元素的对数概率的加密结果。针对各个状态确定了基于所述观测值序列的先前元素的所述观测值序列的似然度与至各个状态的转移概率的乘积的对数和的加密结果。将针对各个状态的所述观测值序列的对数似然度的加密结果确定为对数和的加密结果与所述观测值序列的当前元素的对应对数概率的加密结果的乘积。针对各个状态，基于所述观测值序列的对数似然度，来确定所述观测值序列的对数概率的加密结果。

摘要： 提供一种语音识别方法，其使用递归，基于与前两个帧相关联的与生成相关的值，为特定帧中的状态确定与生成相关的值，尤其是声道共振频率。与生成相关的值用于为所述状态确定观察到的特征向量的概率分布。然后从该概率分布中确定该帧所接收的观察值的概率。在一个实施例中，所述与生成相关的值使用该值的无噪声递归定义来确定。递归的使用大大改善了解码速度。当将解码算法应用于具有已知标音的训练数据时，产生强制对准，这改善了从现有技术中获得的语音分割。

摘要： 本发明提供了一种基于隐马尔可夫模型的目标检测模型的搜索方法。包括：建立隐马尔可夫模型，对其参数重估后形成重构隐马尔可夫模型；预测得到其观察序列，观察量比较，不相同时，对隐马尔可夫模型参数变异后重复第二步骤；相同时，生成目标检测模型并训练至收敛后进行精度值测定、召回率测定和参数量计算；结果判定，满足预设条件时，判定为搜索到的模型；不满足预设条件时，对所有目标检测模型重新排序后得到观察序列，替换原有观察序列后重复上述步骤。本发明解决了现有技术中的目标检测模型因含带参数量庞大，而导致训练好的目标检测模型在使用中对终端设备的内存和GPU的负荷较大，造成终端设备执行困难的问题，故而存在实用性差的问题的问题。

摘要： 本发明公开了一种基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法，包括以下步骤：在栅栏上和栅栏埋地处各铺设一根光栅阵列光缆，每根上包括中心波长不同的多个测区；实时采集每个测区的振动数据，并根据初始阈值判断测区是否发生异常振动，若是则进入事件识别判断；根据振动数据分析异常振动影响不同测区所呈现的高斯分布关系，选取该测区所在光栅阵列光缆的时序数据流中与高斯关系相对应的观测序列，对观测序列按时间帧进行处理，并提取处理后的振动数据的时频域混合特征，再进行时频域混合特征归一化，得到特征向量数据；将特征向量数据输入训练好的高斯‑隐马尔可夫混合模型库，进行周界在线入侵事件识别，得到入侵识别结果。

摘要： 由于太阳能光伏发电的间歇性和对天气状况的依懒性等特点，对光伏发电的发电量的准确预测一直是一个困恼有效利用太阳能的因素。本发明提出一种根据历史光伏发电系统发电量数据情况，利用隐马尔可夫模型来识别特定区域的光伏发电系统发电量量数据的规律以及特点，进而预测未来光伏发电量的系统模型，通过隐马尔可夫模型建立状态转移矩阵和观测值概率矩阵，通过向前算法计算出模型中的参数，通过预测第二天的光伏发电系统发电量平均值达到预测一段时期内光伏发电变化趋势的效果。

摘要： 本发明涉及一种基于混合高斯‑隐马尔科夫模型的换道模型参数优化方法，通过对本车和周围车辆运行状态的分析，建立了基于隐马尔可夫模型的驾驶换道意图识别方法，即用可观测的换道表征参数观测状态来实现隐含的驾驶员换道意图的预测；并以NGSIM数据集中的高速公路车辆数据库为基础，提取换道表征参数样本，并应用MATLAB中HMM工具箱编写算法进行对隐马尔科夫模型的训练和验证，以及利用粒子群算法进行混合高斯模型个数和状态个数的优化，利用粒子群算法进行混合高斯模型个数和状态个数的优化，以此来提高驾驶员换道意图识别的准确率；最终对驾驶员换道意图的预测结果取得到了较好的准确率。