一种基于平均步态能量图的身份识别算法

提出一种基于步态能量图（GEI）的嵌入式隐马尔可夫模型（e-HMM）身份识别方法。首先通过预处理提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到平均步态能量图。对能量图的各区域进行分析,利用二维离散余弦变换（2D-DCT）将能量图观测块转化为观测向量,实现嵌入式隐马尔可夫模型的训练和身份识别。最后在USF和CASIA步态数据库上对所提出的算法进行实验。实验表明该方法具有较好的识别性能,是一种有效的步态识别方法。     

音素基随机轨迹模型的理论机制和参数估计方法

随机轨迹模型是针对基本隐马尔可夫模型所隐含的三个不合理假设而提出的统计建模方法。本文介绍了随机轨迹模型相对于基本隐马尔可夫模型的优越性 ,综述了以音素为语音识别基元的随机轨迹模型的理论机制和参数估计方法     

隐马尔可夫模型在舰船噪声目标识别中的应用

将Mel频率倒谱作为特征参数,实现了基于连续型隐马尔可夫模型的舰船辐射噪声目标识别。对五艘不同类别舰船的辐射噪声建立模型,并进行了识别实验。模型的状态数和高斯混合数分别确定为1和3,五艘舰船的平均识别率达到91．6％。利用两艘不同类型舰船的噪声分析了舰船的工况对识别结果的影响。     

基于集成隐马尔可夫模型的轴承故障诊断

对轴承振动信号进行时频分析获得全特征集;运用距离补偿法提取轴承故障敏感特征获得敏感特征集。两种特征集在用于训练、测试轴承状态时不仅诊断率不同,且误判样本亦不同。基于此,提出基于集成隐马尔可夫模型的轴承故障诊断方法。采用两种特征集分别建立两独立隐马尔可夫模型;运用平均法则、最大似然概率法集成隐马尔可夫模型分类效果;对轴承信号进行故障诊断。实验结果表明,与基于敏感特征集、全特征集的分类器相比,该模型分类器在轴承故障诊断中识别精度更高。     

基于Gabor脸和隐马尔可夫模型的人像识别算法

提出了基于Gabor小波变换和隐马尔可夫模型的人像识别算法。该算法先对人脸图像进行多分辨率的Gabor小波变换,采用主元分析法对每个结点进行降维,最后形成Gabor脸。把Gabor脸的每个特征结作为观测向量,对隐马尔可夫模型进行了训练,并把优化的模型参数用于人脸识别。实验结果表明,本文方法识别率高,复杂度较低,对部分遮挡的图像具有较大的容忍度。     

基于骨导麦克风数据的咀嚼发音类型自动识别与分类方法

口腔运动与人们的饮食规律息息相关，该文通过对口腔运动状态的分析识别来监测人们的饮食规律，以此来指导人们的饮食习惯。借助语音识别技术的思想和方法，分析识别口腔运动产生的骨导音，为提升识别效率，采用了传统的隐马尔可夫模型。基于隐马尔可夫模型建立了一套骨导音识别系统，在进行骨导音识别之前，通过分帧加窗、提取梅尔频率倒谱系数，对其进行模型训练；在识别过程中，找出与待测音频信号和模板库中匹配度最高的模型，以其模型输出结果作为最后的识别结果。该方法的识别结果可以达到 84%，实验结果表明该方法具有一定的可行性。     

基于ICA和HMM的低空声目标识别方法

提出了一种基于独立分量分析（ICA）和隐马尔可夫模型（HMM）的战场声目标识别方法。针对战场环境下声信号复杂多变,提取目标信号特征难的特点,该方法先利用基于独立分量分析的盲源分离分解混叠信号,再从分离信号中得到更能反应声音特性的Mel倒谱系数作为识别战场低空目标的特征参数;利用隐马尔可夫过程具有很强的表征时变信号的能力来表现声信号随时间变化呈现出的模式演变现象,建立隐马尔可夫模型（HMM）。实际数据的识别分析结果表明了该方法的准确性与有效性。     

基于VQ和HMM的语音识别系统的性能比较

1前言 语音识别代表性的方法有矢量量化法(VQ)和隐马尔可夫模型法(HMM).VQ法是由Shore和Burton首先提出[1],其主要优点是无需时间规正或进行动态时间伸缩.但是,该方法对于由话者差别引起的语音特征的变化却无能为力.HMM方法则适合于非特定人语音识别系统,因为它作为统计模型能够吸收由不同说话人引起的语音特征的变化[2].本文以语音信号的LPC倒谱系数和差值倒谱系数的混合特征参数作为识别的特征矢量集,比较了利用矢量量化(VQ)和各态经历隐马尔可夫模型(HMM)[3]技术实现的孤立字词语音识别系统的性能.结论是各态经历HMM的识别性能好于VQ的识别性能.     

基于MoG-HMM的齿轮箱状态识别与剩余使用寿命预测研究

提出了基于混合高斯隐马尔可夫模型的齿轮箱状态识别与剩余使用寿命预测新方法。建立了基于聚类评价指标的状态数优化方法,通过计算待识别特征向量的概率值来识别齿轮箱当前状态。在状态识别的基础上,提出了剩余使用寿命计算方法。最后,利用齿轮箱全寿命实验数据进行验证,结果表明,该方法可以有效的识别齿轮箱状态并实现了剩余使用寿命预测,平均预测正确率为90.94%,为齿轮箱的健康管理提供了科学依据。     

耦合隐马尔可夫模型在轴承故障诊断中的应用

由于多通道数据包含了丰富的信息,有效融合多通道数据可以得到更加准确可靠的诊断结果。鉴于此,提出一种基于耦合隐马尔可夫模型的滚动轴承多通道融合故障诊断方法。该方法利用含两条链的耦合隐马尔可夫模型融合轴承水平方向和垂直方向的振动信号来进行故障诊断。通过对滚动轴承常见故障的诊断分析表明,与常用的基于隐马尔可夫模型的故障诊断方法相比,该方法可以更加准确地诊断轴承的故障。     

基于平面电容传感器阵列的动态手势识别技术

针对人机交互中对于动态手势识别技术的需求,设计了一种新的平面电容传感阵列对动态手势进行检测。通过COMSOL Multiphysics对传感器阵列结构进行仿真设计,采用卡尔曼滤波算法对手部运动坐标数据进行滤波,并借鉴基于视觉的手势识别中的隐马尔可夫模型(HMM)方法对手部运动轨迹进行识别。该系统对动态手势图形的平均识别率高达95%,可用于简单的人机交互。     

基于隐马尔可夫模型与神经网络混合的被动声目标分类技术

提出了一种改进型隐马尔可夫模型／神经网络混合分类器,该分类器将隐马尔可夫模型的时间校正能力与神经网络的静态区分能力结合在一起。它首先利用循环无跳转ＨＭＭ模型对第一测试特征序列进行全状态分割。将Ｔ帧特征序列按时间演化顺序校正成Ｎ帧平均状态序列。然后 交其作为ＲＢＦ网络的输入矢量进行分类。实验结果表明,该分类器比单纯的神经网络或隐马尔可夫模型分类器具有更限的分类效果。     

基于隐马尔可夫模型的话者识别研究

介绍了隐马尔可夫模型的有关理论、算法及其在说话人识别中的应用，并以线性预测倒谱LPCC及其差分形式作为特征参量，采用自左向右HMM进行建模和识别，实验证明该方法具有较好的识别性能，对于智能住宅信息安防领域中的主人身份辨识具有一定的应用价值。     

基于ARM的嵌入式语音识别系统研究

在分析语音识别原理的基础上设计了一个基于ARM9和嵌入式Linux的嵌入式语音识别系统采用隐马尔可夫（HMM）算法对语音信号进行特征参数序列比较并识别出结果。语音识别子系统由ARM和DSP芯片为核心,配合其他功能电路,能够独立完成语音识别的工作．     

基于MHMMs模型的面部表情识别研究

针对静态人脸表情识别方法的不足,提出了一种改进的基于运动特征的动态人脸表情识别方法.以表情视频序列为研究对象,提出了基于相位形式表示脸部运动特征,处理这些运动特征并组成时序特征序列,最后将其输入到改进的高斯混合隐马尔可夫模型进行训练和测试,分析识别6种基本的面部表情.基于改进的算法,实现了一个动态面部表情识别实验系统,实验结果表明该方法简化了计算,减少了矢量量化误差.     

步态特征精密提取与身份认证

为更有效地检测人体目标,弥补单一模型在步态特征提取中的不足,提出了基于双模型的步态特征精密提取方法,且构建了基于步态特征进行身份认证的门禁监控实验平台.首先从摄像机捕获步态视频输入计算机,发现人体目标后对其进行检测与跟踪;然后分割人体轮廓并将其规格化叠加处理获取步态特征图;为精确提取步态特征,将人体整体模型与简化模型相结合,提取步态参数作为识别参量输入支持向量机（SVM）进行分类识别,正确识别率（PCR）为77%～80%.结果表明该方法有助于步态特征的精密提取,且实验平台能较好地自动监控人体目标并进行身份认证.     

基于小波域隐马尔可夫模型故障诊断方法

针对基于小波能量谱和能量谱熵的故障诊断方法要求小波分解系数基本符合高斯分布这一不足,提出一种基于多尺度小波域隐马尔可夫模型(WHMM)参数特征的故障诊断方法.该方法分析了信号多尺度小波分解系数的统计特征,利用隐马尔可夫模型描述小波变换域系数在尺度间,尺度内的统计相关性.采用最大似然估计方法确定的模型参数作为信号特征实现故障诊断.试验结果证实了设计思想的正确性和算法的高效检测性能.最后从小波基、窗口宽度和分类器三个层面对建议方法诊断性能的影响进行分析,结果表明本文方法具有很强的稳定性和鲁棒性.     

基于连续状态HMM的汉语语音识别方法

1引言 现在隐马尔可夫模型(HMM)已成为语音信号处理的重要方法被广泛地应用到语音识别等领域[1,2].然而由于传统的HMM在每个状态处理的各帧语音信号都与前后的时间顺序无关,所以影响了HMM描述语音信号时间相关等动态特性的能力,降低了语音识别的性能[3].针对这个问题,本文提出了连续状态HMM的设想.     

基于条件随机场的中文命名实体识别研究

条件随机场模型是文本信息抽取的重要方法之一,在命名实体识别方面CRF性能要明显优于隐马尔科夫模型和最大熵模型。本文以基于字一级的条件随机场模型实现了中文命名实体识别,取得了较好的识别效果。     

步态识别数据安全标准化研究

步态识别是基于步态所包含的自然人生物学特性和行为特性对自然人进行辨识的技术,其物理基础是人类个体不同的生理结构和行走习惯。目前,步态识别技术已在学术和商业化应用方面取得了巨大发展。步态识别数据作为一种重要的生物特征数据,目前存在着数据滥采滥用、未采用有效的安全防范措施等突出问题。本文通过分析解读国内第一部步态识别数据国家标准,旨在让步态识别数据相关方了解步态识别数据处理活动、安全风险和安全要求,进一步提高步态识别产品和服务的整体安全水平。