小波阈值去噪和FAR建模结合的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种小波阈值去噪和函数系数自回归FAR建模结合的MEMS陀螺数据处理方法。采用小波阈值去噪法对MEMS陀螺输出信号去噪,提高其信噪比;为克服常用的自回归AR模型无法解决MEMS陀螺随机漂移存在的非线性问题,引入FAR模型对MEMS陀螺的随机漂移进行建模。实验结果表明,此数据处理方法可有效抑制MEMS陀螺输出噪声,且与AR模型相比,FAR模型能更精确地对MEMS陀螺随机漂移进行建模及预测。     

基于小波去噪和AR建模的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种基于小波去噪和AR建模的MEMS陀螺组合数据处理方法.采用小波去噪法对MEMS陀螺输出信号去噪,自适应确定小波分解层数,提高了其信噪比.采用AR(autoregressive,自回归)模型对MEMS陀螺的随机漂移进行建模,利用平均均方预测误差确定模型的最佳阶数,并与传统的一阶马尔可夫模型进行了比较.实验结果表明,该组合数据处理方法可有效抑制MEMS陀螺输出噪声,且能更精确地对MEMS陀螺随机漂移进行建模及预测.     

基于ARIMA模型的光纤陀螺随机漂移滤波方法研究

对光纤陀螺随机漂移输出进行了非平稳性检验,并建立了非平稳求和自回归滑动平均(ARIMA)模型,在此模型的基础上对光纤陀螺随机漂移进行卡尔曼(Kalman)滤波,并对滤波结果进行Allan方差分析。与基于自回归(AR)模型的Kalman滤波结果进行比较,实验结果表明:基于ARIMA模型的Kalman滤波比基于AR模型的Kalman滤波更能减小光纤陀螺的零偏不稳定性和角度随机游走。     

一种光纤陀螺漂移数据建模和滤波技术在捷联罗经法自对准中的应用

针对基于高精度光纤陀螺仪(FOG)的捷联惯导系统开展研究.采用时间序列分析法对光纤陀螺随机漂移进行分析,建立自回归滑动平均(ARMA)模型,并在捷联惯导系统罗经法自对准过程中对光纤陀螺漂移数据进行实时滤波估计.样机实验结果表明,所提出的方法可以有效地提高光纤陀螺捷联惯导系统罗经法自对准的精度.     

基于UKF的动力调谐陀螺随机漂移建模研究

随机漂移与陀螺结构及其工作环境存在非线性关系.文中对动力调谐陀螺(DTG)漂移时间序列采用AR模型进行参数粗估计,根据所建立的参数模型,采用UKF滤波方法进行滤波处理,由于UKF是一种较好的非线性滤波方法,它既消除了非线性对陀螺漂移的影响,同时克服了AR模型参数估计过程中参数不稳所带来的误差.实验结果表明,与传统的Kalman滤波方法相比,UKF对于陀螺漂移的随机项滤除效果更好.     

由TMS320C32芯片实现陀螺仪漂移卡尔曼滤波算法研究

陀螺仪漂移数据经过处理后将是一组高度相关的平稳随机时间序列.在对陀螺仪漂移数据建立时间序列AR模型的基础上,考虑到精度与实时性的要求,采用卡尔曼滤波算法对捷联陀螺"模拟漂移"数据进行了处理,并运用基于TI公司的TMS320C32型DSP对算法进行了实验.通过实时考察实验系统算法程序的运行情况可以看出,卡尔曼滤波算法能有效地提高陀螺精度,并且对于实时性要求高而计算量大的卡尔曼滤波算法,应用DSP技术实现具有良好的发展前景.     

阈值去噪与RBF神经网络在MEMS陀螺仪误差补偿中的应用

针对现有MEMS陀螺仪中随机误差较大,导致器件输出信噪比低进而影响其应用范围的现状,提出一种基于小波阈值去噪与梯度径向基( RBF)神经网络结合的MEMS陀螺漂移非平稳时间序列建模预测方法。首先采用Allan方差法分析了MEMS陀螺仪的主要随机误差,随后利用小波阈值去噪分离出MEMS陀螺误差模型中的白噪声及漂移误差,最后采用RBF神经网络对漂移数据进行建模。通过实验对文中所述的误差补偿方法进行验证,表明了方法的有效性,对于基于MEMS陀螺仪的惯导系统精度提高具有重要意义。     

定位定向系统中陀螺漂移误差估计

阐述了定位定向系统中的主要误差来源于陀螺漂移。建立陀螺漂移误差模型,分析了一阶自回归估计方法AR(1)和均值估计方法对漂移系数的估计。并通过反馈法测得陀螺的漂移系数,分别用一阶自回归估计方法和均值估计方法进行系数估计,并对估计效果进行比较。     

基于小波与灰色方法的半球谐振陀螺寿命预测

半球谐振陀螺具有成本高、批量小的特点,为了在不进行1:1实验的情况下评估其性能和寿命,提出基于小波分析与灰色关联度的残差修正GM(1,1)寿命预测方法。将小波变换引入半球谐振陀螺寿命预测中,利用2种紧支撑标准正交小波对半球谐振陀螺的漂移数据降噪处理以削弱序列的随机性,使用残差修正GM(1,1)模型对4个型号不同的半球谐振陀螺进行多周期数据预测,结合灰色关联分析方法得到半球谐振陀螺的预测寿命。实验结果显示,残差修正GM(1,1)对半球谐振陀螺预处理后漂移数据的预测精度高于GM(1,1)预测方法,表明该预测方法的正确性和有效性。     

MEMS陀螺仪静态漂移模型与滤波方法研究

针对移动机器人上安装的MEMS陀螺仪进行研究,根据MEMS陀螺仪的实测数据,分析了其噪声特性,采用时间序列分析方法建立MEMS陀螺仪漂移的AR模型,进而通过Kalman滤波降低随机噪声对MEMS陀螺仪精度的影响。仿真结果表明:静态漂移的建模和滤波方法对提高MEMS陀螺仪精度是有效的。     

基于加权HMM的车辆电源系统状态预测

针对车辆电源系统状态趋势问题,提出了一种加权隐马尔可夫模型的状态预测方法。通过建立电源系统的隐马尔可夫模型,利用加权预测思想对隐马尔可夫模型中隐状态序列进行预测,将最大概率隐状态利用观测概率密度计算出状态观测值。通过对电压调节脉宽信号的导通率进行预测,并与BP神经网络和自回归（AR）模型对相同序列的预测结果进行对比,结果表明该方法对系统的状态变化具有较好的预测能力。     

隐马尔可夫模型及其最新应用与发展①

隐马尔可夫模型是序列数据处理和统计学习的一种重要概率模型,已被成功应用于许多工程任务中。首先介绍了隐马尔可夫模型的基本原理,接着综述了其在人的行为分析、网络安全和信息抽取中的最新应用。最后对最近提出来的无限状态隐马尔可夫模型的原理及最新发展进行了总结。     

隐半马尔可夫模型在剩余寿命预测中的应用

剩余寿命预测是作出正确的状态维修决策的基础和前提,是设备退化状态识别的重要内容。隐马尔可夫模型（HMM）是一种具有较强模式分类能力的统计分析算法,但是它不能直接用于剩余寿命的预测,而且考虑到隐马尔可夫模型的局限性和剩余寿命预测模型的可解释性,应用隐半马尔可夫模型（HSMM）进行建模和预测。针对HSMM的训练算法极易陷人局部极值点的问题,提出了基于改进微粒群优化算法（MPSO）进行修正。实验结果证明了该方法在设备剩余寿命预测研究上的有效性和可行性。     

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。     

语音分离与HMM相结合的语音增强方法

针对基于隐马尔科夫（HMM,Hidden Markov Model）的MAP和MMSE两种语音增强算法计算量大且前者不能处理非平稳噪声的问题,借鉴语音分离方法,提出了一种语音分离与HMM相结合的语音增强算法。该算法采用适合处理非平稳噪声的多状态多混合单元HMM,对带噪语音在语音模型和噪声模型下的混合状态进行解码,结合语音分离方法中的最大模型理论进行语音估计,避免了迭代过程和计算量特别大的公式计算,减少了计算复杂度。实验表明,该算法能够有效地去除平稳噪声和非平稳噪声,且感知评价指标PESQ 的得分有明显提高,算法时间也得到有效控制。     

蛋白质二级结构预测中的HMM及I／O HMM方法研究

文章主要介绍了在蛋白质结构预测中两种被有效使用的模型--隐马尔可夫模型和输入隐马尔可夫模型，分别阐述了其原理、算法及应用实例。数值实验表明，这两种方法对小样本的预测实用具有较强的适应性。     

基于HMM-LSSVM组合模型的模拟电路故障诊断

为了提高模拟电路故障诊断正确率,针对单一模型难以获得高正确率检测结果的难题,基于组合优化理论,提出一种隐马尔科夫和最小二乘支持向量机的模拟电路故障诊断模型。提取电路故障特征,然后利用隐马尔科夫模型和最小二乘支持向量机建立模拟电路故障组合诊断模型,最后采用仿真实验对组合模型的性能进行分析。结果表明,相对于其他模拟电路故障诊断模型,该模型不仅提高了模拟电路故障检测正确率,而且具有更快的故障诊断速度。     

基于混合分类器的表情识别方法

根据隐马尔可夫模型(HMM)适用于处理连续动态序列信号、支持向量机(SVM)与K近邻分类器(KNN)擅长模式分类的特点,设计一种(HMM+KNN)+SVM的混合分类器。利用HMM与KNN对测试样本进行判决。当判决结果相同时,直接输出判决结果,否则引入SVM对测试样本进行再判决。实验结果表明,该方法所确定的分类器优于单一的分类器判决,能有效实现表情识别。     

基于隐马尔可夫模型的招聘网络信息抽取

网络信息抽取是从半结构化的Web海量数据中,按用户要求抽取且形成相关的有效的结构数据处理过程。论文以隐马尔科夫模型（HMM）进行数据抽取中的若干关键问题进行研究,提出了基于数据挖掘聚类的模型合并方法生成隐马尔可夫模型,即可根据数据自动生成HMM,同时对一般的隐马尔可夫模型进行了扩展,为每个抽取域生成一个隐马尔可夫模型,用于获取更多的有用信息。     

基于条件随机场的中医临床病历命名实体抽取

中医临床病历是中医重要的科研数据资源,但目前临床病历仍以文本为主要表达形式,对病历数据深入分析的前提是进行结构化信息抽取,而命名实体抽取是其基础性步骤。针对中医临床病历的命名实体,如症状、疾病和诱因等的抽取问题,通过手工标注的413份病历数据(以中文字为特征)与4类特征模版,将条件随机场(CRF)、隐马尔科夫模型(HMM)和最大熵马尔科夫模型(MEMM)用于中医病历命名实体抽取的实验,并进行比较分析。结果表明,结合合适的特征模版,CRF命名实体抽取方法取得了较好的性能,F1值的症状达到0.80,疾病名称达到0.74,诱因0.74。与HMM和MEMM相比,CRF有最高的准确率和召回率,是一种较为适用的中医临床病历命名实体抽取方法。