隐马尔科夫模型

摘要： 为了降低前方车辆驾驶行为的随机变化对自身车辆安全的影响,提出了一种基于隐马尔科夫模型(Hidden Markov Model,HMM)的前方车辆驾驶行为的识别方法。首先,分析了高速公路场景中车辆的换道特性,选取前方车辆的纵向速度、横向位移和横向速度作为特征参数;采用线性均值滤波的方法对原始观测数据进行平滑滤波处理。其次,基于Baum-Welch算法训练得到前方车辆三种驾驶行为的最优隐马尔科夫模型,基于Viterbi算法识别出前方车辆的驾驶行为。最后,测试结果表明隐马尔科夫模型可以有效地识别出前方车辆的驾驶行为。

摘要： 智能变电站作为智能电网战略的重要支点,随着智能变电站一次设备的不断增多,设备信息数据量呈指数级增长,传统的数据检索方法已经无法适应海量数据的处理要求,如何准确高效的检索变电站设备信息成为研究的焦点问题。因此提出了一种基于知识图谱的智能变电站设备一次信息检索方法,首先对智能变电站的一次设备信息进行分类,获取相关设备信息语料。然后,定义非结构化设备信息抽取框架,实现设备信息语料的高效抽取。再利用隐马尔科夫模型对设备信息进行分词,构建变电站一次设备信息知识图谱,实现设备信息的可视化展示,突破二维语义表格的局限。最后,结合知识图谱技术设计了智能变电站一次设备信息管理系统。实验表明基于知识图谱的智能变电站一次设备信息记录检索系统能提供准确的设备信息,实现智能变电站设备信息的高效检索。

摘要： 本文在人体动作描述采用关键骨骼点的深度三维坐标,通过各个关节点的位置坐标关系来描述人体动作。进一步为每一类人体动作训练一个深度信息隐马尔科夫模型,从一定程度上解决了人体动作部分遮挡问题,对训练样本,参照得到的数据库完成编码,通过隐马尔科夫模型训练得到相应参数模型,通过训练得到的模型进行验证和测试,实验数据结果表明该方法具有精确率高的优点。

摘要： 提出一种基于机器学习的方法预测航班飞行前的静态四维轨迹,较已有的运动学和动力学预测方法结果精确、稳定。该方法在真实历史监视数据的基础上运用隐马尔科夫模型对航空器飞行过程中位置和高度状态转移建模。在经纬度平面上以网格化地图为观测值、关键点航段位置为隐状态建模;在高度方向上以固定高度间隔为观测值、标准飞行高度层为隐状态建模。在运用EM算法学习到预测模型最优参数之后对航班经过各关键点的时间和高度进行预测,为航班管理提供有力的辅助支撑。通过数据仿真实验表明,采用本文提出的算法计算得到的结果较传统的运动学和动力学预测方法具有更高的精度和稳定性。

摘要： 非侵入式负荷监测通过对总负荷电表数据进行分析处理,能够实现对各个用电设备及其工作状态的辨识,可广泛应用于建筑节能、智慧城市、智能电网等领域.近年来,随着智能电表的大规模部署以及各类机器学习算法的广泛应用,非侵入式负荷监测引起了学术界与工业界的共同关注.本文对非侵入式负荷监测方面的研究进行综述.首先提炼非侵入式负荷监测的问题模型及基本框架;然后分别对非侵入式负荷监测的数据采集与预处理过程、负荷分解模型与方法、常用数据集及评估指标进行归纳总结;最后,对目前研究中存在的挑战进行分析,并对未来的研究方向进行展望.

摘要： 以某大学学习某专业课的MOOC+SPOC的学习数据为样本,利用隐马尔科夫算法、数据挖掘技术,建立学生学习行为状态的评估模型,实时评估学生学习行为;教师根据评估结果对教学内容进行调整,对学生学习行为进行干扰,以提高教学质量。实证分析表明,基于隐马尔科夫算法的课程教学质量评价模型具有一定的有效性,分析结果有一定的参考性,方便教师在教学中有的放矢。

摘要： 奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相,本研究提出一种融合高斯混合模型(Gaussian Mixture Model,GMM)和隐马尔科夫模型(Hidden Markov Model,HMM)的无监督学习奶牛步态时相识别算法GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号,通过卡尔曼滤波消除噪声,筛选并提取特征值,构建GMM-HMM模型,实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明,静立相识别的准确率、召回率和F_(1)分别为89.28%、90.95%和90.91%,连续步态中的站立相识别的准确率、召回率和F_(1)分别为91.55%、86.71%和89.06%,连续步态中的摆动相识别的准确率、召回率和F_(1)分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%,相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。

摘要： 针对目前的室内人员步态识别方法存在计算量大、设备成本高、鲁棒性低等问题,提出一种基于信道状态信息的高鲁棒性室内人员步态识别方法WiKown。通过快速傅里叶变换设置能量指示器监测人员行走行为,将采集的CSI步态数据经滤波与降噪处理后以滑动窗口的方式提取特征值,得到人员步态的CSI信息后建立观测序列,最后通过高斯分布叠加拟合后引入隐马尔科夫模型计算观测序列概率,生成步态参数模型。在走廊、实验室和大厅真实多人环境中,WiKown方法对单人步态的平均识别率达到92.71%。实验结果表明,与决策树、动态时间规整和长短时记忆网络方法相比较,该方法能有效地识别出人员的步态信息,提升了识别精度和鲁棒性。

摘要： 为改变活动识别复杂度高和活动识别率低的问题,提出了一种针对关键点提取的活动识别算法.该方法对加速度传感器采集的加速度信号进行了关键点的提取,混合隐马尔科夫回归模型(mixed hidden Markov regression model,MHMRM)对观测样本序列输出并进行建模,最大限度地通过关键点序列保留多维信号之间的特征信息,然后通过期望最大化算法(expectation maximization,EM)对模型参数进行优化并建立算法模型,使用维特比算法分割数据最终状态.使用不同活动顺序的测试集对算法性能进行测试,包含了站立、坐、躺、步行、上楼、下楼、慢跑、跳等几类活动.实验结果表明,提出的算法以关键点抽样的方式保留数据整体特征,实现快速准确地人体活动识别,其平均识别准确率为94.06%.因此,采用此方法可有效地对人体的活动信息进行分割识别,实现对人体活动的准确检测.

摘要： 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。

摘要： 保险公司的资金风险偏好使得债券市场成为了保险公司投资的主要领域,而债券投资相对低频且高量的特点,使得对于债券市场中长期内不同状态的划分与识别相较短期内的利率预测较股票市场具有更显著的意义.利用量化模型对债券市场状态进行识别,可为保险公司制定行之有效的资产管理策略提供参考.本文选取2009年至2017年我国10年期国债收益率的日度数据作为债券市场研究指标,从债券价量指标、货币面指标、股票市场指标、海外市场指标、衍生品及大宗商品市场指标等多个方面选取识别因子,运用机器学习方法中的隐马尔科夫模型,划分并识别债券市场状态.同时根据隐马尔科夫模型的识别结果,分析评价不同类型的因子对债券市场识别的贡献程度,实证结果显示银行间七天回购利率、期限利差、信用利差、债券交易量及上证综指的因子组合在市场状态识别中具有相对理想的模型结果.

摘要： 通常,机械设备在完全失效前要经过一系列不同的性能退化状态.如果能够在设备性能退化过程中监测到其性能退化的程度,就可以有针对性的制定设备维护计划,防止设备故障的突然发生.设备性能退化评估正是基于以上思想提出的一种主动设备维护的技术.隐马尔科夫模型(HMM)作为一种重要的模式识别和分类方法,在机械设备状态监测和故障诊断领域应用比较活跃.本课题旨在研究新型的HMM在性能退化评估与预测中的应用.提出基于频带熵的滚动轴承特征频率提取方法。当轴承存在点蚀故障时，主要的能量成分都集中在高频共振频带，并且包含了被调制到该频带内的各个特征频率成分。基于该理论，Antoni等提出了基于谱峭度的包络解调方法来解决该问题。结合信息熵和振动信号的时频分布特点，提出了一种基于频带熵(Frequency band entropy,FBE)的包络解调方法，利用轴承共振频率处频带熵较小的特点来设计自适应滤波器相关参数并求取包络谱。实验数据验证经过基于频带熵的滚动轴承特征频率提取可以有效表征轴承的故障特征。另外，滤波后的信号也可以更好的应用于轴承的故障诊断和性能退化评估。提出基于耦合隐马尔科夫模型的多通道信息融合轴承故障诊断与性能退化评估方法。耦合HMM(Coupled HMM,CHMM)是一种由两个或多个HMM链组成的，各个HMM链的状态变量相互关联的概率统计模型。CHMM不但保留了HMM的数学结构和概率推理能力，而且在此利用多通道状态间的相互依赖关系建立起了各个通道间的因果关系和影响，因此非常适合用于对多通道数据进行信息融合。提出基于SOA的故障诊断与性能退化评估系统架构。使用Web服务和WCF编程模型对该系统架构进行了验证和实现，并应用到某鼓风机的状态监测与故障诊断。

摘要： 当前座椅噪声检测需要在本底噪声30dB以下的专业消声室中,通过人工来判别座椅噪声水平.这种方法缺陷在于消声室造价高、质检效率低、噪音检测人员的技能影响测量精度造成质量风险,而目前国内外还没有一套测试系统可以针对单轨级别的产品进行振动异音检测.针对上述问题及现状,开发出了一套汽车座椅电动滑轨在线检测系统.系统包括信号采集平台、信号特征提取及模式识别算法.通过信号采集平台,可以最大限度降低环境噪声影响,保证测试信号稳定性及可靠性.通过对大量正常滑轨信号的时频域特征进行统计分析,来得到检测滑轨是否合格的阈值界限.同时,使用这些时频域特征对隐马尔科夫模型进行训练,可以得到滑轨属于何种异音类型的判别模型.试验表明,此在线检测系统可以实现生产线上电动滑轨异音的自动检测与判别.

摘要： 为发展一种及时可靠的压气机失稳评价体系,保障压气机正常的工作,提出了基于隐马尔科夫模型(HMM)的压气机气动失稳检测技术.该方法利用压气机叶顶前缘附近的静压传感器获取高响应信号,提取小波特征,由正常工况的数据训练HMM,利用待测阶段的数据在模型中的似然输出来描述其偏离正常状态的程度.通过对不同的小波频率特征进行了对比分析,结果发现,接近于压气机通过频率(BPF)一半的频带特征能较好地表征压气机的失稳特性.HMM模型通过融合小波频带特征表征下的性能退化曲线能有效表现出压气机失稳加剧的趋势,可应用于压气机的失稳检测.

摘要： 船载易流态化货物运输过程中,船舶运输风险的影响因素涉及广泛,运输过程复杂,并且海上数据来源缺乏和数据存在多源异构差异,导致易流态化货物船舶运输风险量化研究存在困难.针对上述问题,首先确定易流态化货物船舶运输风险的影响因素,构建易流态化货物船舶运输风险的HMM模型,结合问卷调查数据和Baum-Welch算法确定模型参数,此基础上根据具体的航次信息结合前向算法以及对应的风险状态损失值对单个航次的运输风险变化趋势进行描述,并对该航次所涉船舶进行灵敏度检验,验证了模型的有效性.

摘要： 针对机车滚动轴承振动信号的特点,结合隐马尔科夫模型的建模能力和支持向量机的分类能力,提出了基于混合HMM-SVM的故障诊断模型.首先对振动信号进行预处理,然后对预处理后的振动信号进行线性预测模型系数的提取,得到相应的故障特征,将此作为隐马尔科夫模型的输入得到概率特征向量,最后利用支持向量机进行故障分类.仿真结果表明,该方法在机车故障诊断中取得了良好的效果.

摘要： 重叠语音是影响说话人分割性能的主要因素之一.本文提出了基于语音高层信息特征的重叠语音检测方法以提高说话人分割效果.首先用通用背景模型(university background model,UBM)提取语音的语言学高层信息特征,并融合这些特征和MFCC特征建立隐马尔科夫模型(hidden Markov model,HMM)检测重叠语音,然后对处理后的语音进行说话人分割.实验结果表明,对于由TIMIT语音库生成的数据集,本文所提方法对重叠语音检测的错误率比单一采用MFCC特征有显著降低,而且说话人分割的性能有明显的提高.

摘要： 本文提出了一种全新的算法,用于解决在少量训练数据下自定义唤醒词检测问题.该算法包括一个注册阶段和一个检测阶段.在注册阶段,通过一个在线注册的过程,基于隐马尔科夫模型—深度神经网络(Hidden markov model-deep neural network,HMM-DNN)训练说话人相关的唤醒词模型.在检测阶段,使用该唤醒词模型,对特定说话人所说的唤醒词进行检测.本文最主要的创新点在于,将身份认证矢量(Identity vector,i-vector)作为额外的特征,和传统的声学层特征一起作为DNN特征层的输入对唤醒词建模,使训练得到的唤醒词模型具有说话人信息,从而提高检测精度.实验结果证明,本文所提算法仅使用平均2.8的训练数据就达到了11.7％的平均假负率和0％的平均假正率.

摘要： 由于人口老龄化,入住老年公寓或独居老人数量在增加,老年人的安全监护是一个重要的社会问题,只依赖于监护人员通常会产生监护死角,且老年人发生摔倒等动作若得不到及时帮助极易给老年人的安全造成影响.为此本文提出一种基于视频监控的动作识别系统.对于视频序列,通过HSV空间的混合高斯背景建模方法提取运动前景图像,采用运动特征和形态特征相结合的方式进行特征提取,通过基于具有高斯输出的HMM模型实现动作的识别.本文提出的方法能够适应光照的变化,具有很好的准确性且满足监控所需的实时性要求.

摘要： 由于人口老龄化,入住老年公寓或独居老人数量在增加,老年人的安全监护是一个重要的社会问题,只依赖于监护人员通常会产生监护死角,且老年人发生摔倒等动作若得不到及时帮助极易给老年人的安全造成影响.为此本文提出一种基于视频监控的动作识别系统.对于视频序列,通过HSV空间的混合高斯背景建模方法提取运动前景图像,采用运动特征和形态特征相结合的方式进行特征提取,通过基于具有高斯输出的HMM模型实现动作的识别.本文提出的方法能够适应光照的变化,具有很好的准确性且满足监控所需的实时性要求.

摘要： 本发明公开了一种使用隐马尔科夫模型增强星座图数据的方法，包括：S1、采集原始数据流，并获得原始星座图数据流；S2、对原始星座图数据流进行预处理，并构建标准星座图数据库；S4、根据标准星座图数据库中的初始数据，使用隐马尔科夫模型生成隐马尔可夫三元组；S6、根据隐马尔可夫三元组集，生成星座图数据即观测序列。本发明采用构建标准化星座图数据库解决数据不互通问题，通过对标准化后的星座图数据使用隐马尔科夫模型完成星座图数据扩充。本发明还提供了相应的电子设备。

摘要： 本发明涉及一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法，首先以高斯隐马尔科夫模型为基础，在其之上增加预训练机制和迁移机制，构造改进高斯隐马尔科夫模型；通过步骤训练的改进高斯隐马尔科夫模型解码机械加工过程中采集的功率信号，判断与功率信号对应的机械加工设备所执行的加工任务，实现对机械加工任务的监测。本发明以传统隐马尔科夫模型的变型高斯隐马尔科夫模型为基础，在其之上增加了预训练机制和迁移机制，提高了算法的准确率和鲁棒性。

摘要： 本发明公开了一种基于隐马尔科夫模型的油浸式电力变压器缺陷预警方法，包括：利用待监测变压器自身油中溶解气体浓度变化的时序数据，训练隐马尔可夫模型，得到关于油中溶解气体浓度异常变化情况的概率模型；基于所述概率模型计算待测变压器当前时刻出现异常气体浓度变化的概率，进而检测变压器异常状态转变中出现的预警信号，实现对变压器运行状态的动态预警。本发明利用待诊断变压器自身的油色谱在线监测系统监测的油中溶解气体数据来构建检测变压器状态转变中出现的预警信号，其建模过程中不需要收集典型样本数据，数据容易获取；且所建模型使用的是待诊断变压器自身数据，不存在泛化问题，有助于对变压器进行早期缺陷预警与辨识。

摘要： 本发明属于驾驶员意图模式识别及机器学习技术领域，具体涉及基于高斯混合隐马尔科夫模型的驾驶员换道意图识别方法；是一种基于车载传感器实测数据的换道驾驶意图识别方法，该方法通过对驾驶员观察后视镜的动作以及其操控方向盘的状态判断其是否有换道意图，同时通过监测当前路况状态，判断当前是否有换道需求。本发明方法基于高斯混合隐马尔科夫模型推测当前驾驶员最可能产生的驾驶意图，可以在保证安全的前提下减轻驾驶员负担，提高其舒适度，若有危险情况发生，可更早地进行处理以避免事故发生。

摘要： 本发明公开了一种基于隐马尔科夫模型的人流量监测方法，所述方法为，(1)、搭建实验环境：采用一种无线射频层析成像网络节点作为网络的通信基础；利用网络节点构建完整的无线传感网络通信系统；(2)、实验数据的收集与处理：无线传感网络数据的处理方法为“发射‑接收‑存储”；根据实验接收的信号强度计算出链路的衰减值作为特征向量训练混合高斯的隐马尔科夫模型；(3)、实时人员统计方法：实时接收数据计算出链路衰减值，通过与不同参数的GMM‑HMM模型比较取拥有最大似然的模型类别作为对应的人数类别，统计通过人数。本发明结构简单、在实现上方便可行、且适用于大多数场景。

摘要： 本发明公开了一种基于小波神经网络与隐马尔科夫模型的故障预测方法，步骤如下：1、输入样本；2、利用小波神经网络对样本数据进行数据降维，更新输入层至隐藏层，隐藏层至输出层的权重和偏值，若输出层数值与输入层差值超出阈值，返回1，否则转至3；3输出小波神经网络模型；4初始化隐马尔可夫模型；5采用不同的样本，将样本数据利用小波神经网络隐藏层神经元数值代替；6建立隐马尔科夫模型；7利用前向‑后向算法更新隐马尔科夫模型参数，计算条件概率；8若计算的条件概率收敛，转至9，否则返回5；9输出最终隐马尔科夫模型；10输入待检测的设备历史运营数据，利用隐马尔科夫模型计算设备的最大衰退概率。

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。

摘要： 本发明提出了一种基于隐马尔科夫模型的无线传感器可用性评价方法及设备，涉及信号分析领域。该方法包括步骤一、获取监测目标的离线数据和的在线数据；分别对监测目标的在线数据和离线数据进行预处理；步骤二、令在线数据和离线数据不同的线性拟合阶段为其隐形状态链，离散标准化后的取值为其可见状态链，构建在线数据和离线数据的隐马尔科夫模型；步骤三、记离线数据在在线数据的隐马尔科夫模型下的发生概率为pzl，在线数据在离线数据的隐马尔科夫模型下的发生概率为plz，则基于隐马尔科夫模型的无线传感器可用性评价系数通过计算得到微型无线传感器的可用性评价系数ρz，该值可以准确的描述微型无线传感器的可用性，该评价方法客观公正、简单易行。

摘要： 本发明提供一种改进的隐马尔科夫模型地图匹配方法及装置，该方法包括：获取原始GPS轨迹数据和路网数据；对原始GPS轨迹数据进行预处理；通过轨迹数据和路网数据获取轨迹点的候选状态点；利用改进的隐马尔科夫模型(HMM)计算考虑距离和方向的观察概率和考虑距离和速度转移概率并构建有向权重图；利用维特比(Viterbi)算法提取所有候选状态点中观察概率和转移概率乘积累计和最大的候选状态点点集，并回溯获取匹配点点集作为最优轨迹匹配结果，剔除断点后获得最终的地图轨迹结果，并进行随机采样评估。本发明对低采样率的轨迹数据同样适用，实验结果表明：GPS轨迹点与路网的地图匹配平均准确率达到88.83％，相较于其他基于HMM的地图匹配方法准确率得到提高。

摘要： 本发明涉及高速公路电子收费技术领域，更具体地涉及一种基于隐马尔科夫模型的绿通车混装预测方法，包括步骤S1，提取绿通车所有历史通行记录；步骤S2，根据通行记录时间顺序、出入口收费站、是否缴费、是否为绿通车的信息合并构建隐马尔科夫链；步骤S3，通过历史通行记录计算各出入口收费站的进出概率；步骤S4，结合通行记录中逃费历史对隐马尔科夫链进行观测标记；步骤S5，计算出入口的状态转移概率与观测概率矩阵；步骤S6，根据各出入口收费站的进出概率、出入口的状态转移概率与观测概率矩阵生成马尔科夫模型，利用马尔科夫模型对车辆当次行程是否逃费进行预测，本发明公开的基于隐马尔科夫模型的绿通车混装方法能预测该车为混装绿通车的概率。