棒位测量插件健康状态监测系统研究

由于棒位测量插件全生命周期运行状态的先验知识难以获得,引入隐马尔可夫模型(HMM)进行棒位测量插件健康状态评估,并设计监测系统。首先,采集不同运行时长下棒位测量插件的输出数据,针对其中的模拟量进行差值和归一化处理,将处理后的数据作为HMM的观测变量。然后,将初始状态下的观测变量输入HMM进行模型训练,建立棒位测量插件的状态监测模型,并计算出初始状态下的对数似然概率值。最后,将各时长运行下的观测变量输入状态监测模型,并分别计算对应的对数似然概率值,结合初始状态下的对数似然概率值计算出插件性能指标值。通过性能指标,可以反映棒位测量插件的各运行时长下状态与初始状态的相似度,从而实现棒位测量插件健康状态监测。     

基于周期的一阶隐马尔可夫模型及其学习算法

对于周期变动明显的数据,本文通过引入周期状态转移矩阵,提出了一种基于周期的一阶隐马尔可夫模型,分析并给出了该模型的似然计算、隐状态估计和模型训练算法。最后的数值实验表明,该模型能有效提高预测的精确度和模型的似然度,并加快模型训练的收敛速度。     

时序Web数据挖掘方法

针对时序动态数据挖掘算法有限的问题,充分考虑动态数据之间的依赖性,将隐马尔可夫模型和启发式聚类策略相结合实现对时序动态数据发展变化特征及规律的挖掘。首先,基于隐马尔可夫模型将时序数据转换到似然空间,并以对称性KL（ Kullback-Leibler）距离来标识似然度的大小;其次,构建对称性KL距离转移矩阵,并借助分层聚类方法实现对时序动态数据变化模式的分类。通过将该方法应用于计算机网络专业职位需求变化规律的知识发现,挖掘出职位需求变化的五类模式。     

基于SIMD的似然率快速算法

分析基于连续概率密度的隐马尔可夫模型大词汇量连续语音识别系统中的似然率计算方法,阐述运用并行方式实现似然率计算的可行性,并在此基础上,提出一种基于SIMD的似然率快速算法,通过对语音识别工具包HTK3．4中似然率计算模块的改进实现该算法。实验结果表明,在不降低识别准确率的前提下,该算法能有效加快似然率计算的速度。     

一种改进的期望最大图像分割方法

期望最大算法是进行极大似然估计的一种有效方法,它主要用于观测数据不完全或者似然函数不是解析时的参数估计。文中提出了一种期望最大化和贝叶斯信息准则相结合的图像分割方法。首先,运用K均值方法初始化图像分布;然后,运用期望最大算法估计输入图像参数数据,图像中类的数目由贝叶斯消息准则自动确定;最后,运用最大似然标准将像素归类于最相近的类中。实验中将此方法用于对葡萄叶部病害彩色图像的分割,其结果表明此方法有效。     

一种基于高斯隐变量模型的分类算法

高斯过程隐变量模型是近年来新兴的无监督降维方法,它可以找到高维数据的低维流形结构.但是由于高斯过程隐变量模型是无监督的概率降维方法,所以当数据集中的样本有类别标记信息时,高斯过程隐变量模型不能利用这些监督信息,实现分类的任务.为了使高斯过程隐变量模型可以处理分类任务,文中提出了一种监督的高斯过程隐变量模型分类模型.通过最大化后验似然的方法确定观测数据在隐空间的坐标,同时可以完成分类任务.实验结果证明了该模型可以有效地用于分类.     

并行的贝叶斯网络参数学习算法

针对大样本条件下EM算法学习贝叶斯网络参数的计算问题,提出一种并行EM算法(Parallel EM,PL-EM)提高大样本条件下复杂贝叶斯网络参数学习的速度.PL-EM算法在E步并行计算隐变量的后验概率和期望充分统计因子;在M步,利用贝叶斯网络的条件独立性和完整数据集下的似然函数可分解性,并行计算各个局部似然函数.实验结果表明PL-EM为解决大样本条件下贝叶斯网络参数学习提供了一种有效的方法.     

基于环形马尔可夫模型的纹理图像分类

提出了一种基于环形马尔可夫模型的纹理图像分类方法。利用环形邻域构建马尔可夫模型,在模型参数求解过程中,为了避免矩阵奇异,设计了模型参数分步求解算法。基于环形马尔可夫模型提取纹理特征,然后基于动态邻域Tabu搜索算法进行特征选择,得到最优的纹理特征子集,输入到最大似然法分类器中实现图像的分类。实验结果证明,与传统的栅格马尔可夫模型相比,环形马尔可夫模型能够更好地描述纹理图像像元之间的空间相关性信息,大大提高了纹理图像分类精度。     

基于隐马尔可夫模型边缘表示的多尺度边缘检测

基于增强图像特征空间的特性分析，提出一种新的图像边缘表示模型——隐马尔可夫模型，该模型把边缘作为一个可观测序列，认为它是人们根据感官知识(不可观测的状态量)所观察到的具有一定空间关系的像素集合；通过小波变换，得到多尺度增强图像；特包含在低分辨率图像边缘中的全局信息进行综合，作为高分辨率图像中隐马尔可夫边缘模型的训练数据，使用Viterbi算法完成高分辨率图像中边缘点的搜索，从而，使得多分辨率边缘检测对先验知识的依赖大大降低，同时降低了计算复杂度。边缘的隐马尔可夫模型表示也为多分辨率数据融合提供了一种有效的工具，实验表明该模型是合理的、可行的。     

融合分词隐层特征的汉语基本块识别

该文以字为基本标注单位,构建了一种汉语基本块识别的神经网络学习模型。模型联合分词任务的神经网络学习模型与基本块识别任务模型,将分词任务模型中学习得到的隐层特征融入基本块识别的模型中,两模型相互交替优化学习模型参数,并实现了以整句似然函数(而非单字似然函数)作为优化目标的算法。实验结果表明:1)以整句似然函数为优化目标的基本块识别的F值比单字似然情形要高出1.33%,特别是在多字块识别中,其召回率比单字似然情形要高出4.68%;2)融合分词任务模型中的隐层特征的汉语基本块识别模型的结果比不做融合的模型要高出2.17%,说明融合分词隐层特征的交替联合学习方法是有效的。     

SCALED SELF-ORGANIZING MAP – HIDDEN MARKOV MODEL ARCHITECTURE FOR BIOLOGICAL SEQUENCE CLUSTERING

The self-organizing hidden Markov model map (SOHMMM) introduces a hybrid integration of the self-organizing map (SOM) and the hidden Markov model (HMM). Its scaled, online gradient descent unsupervised learning algorithm is an amalgam of the SOM unsupervised training and the HMM reparameterized forward-backward techniques. In essence, with each neuron of the SOHMMM lattice, an HMM is associated. The image of an input sequence on the SOHMMM mesh is defined as the location of the best matching reference HMM. Model tuning and adaptation can take place directly from raw data, within an automated context. The SOHMMM can accommodate and analyze deoxyribonucleic acid, ribonucleic acid, protein chain molecules, and generic sequences of high dimensionality and variable lengths encoded directly in nonnumerical/symbolic alphabets. Furthermore, the SOHMMM is capable of integrating and exploiting latent information hidden in the spatiotemporal dependencies/correlations of sequences’ elements.     

Modelling financial time series based on heavy-tailed market microstructure models with scale mixtures of normal distributions

This paper presents a type of heavy-tailed market microstructure models with the scale mixtures of normal distributions (MM-SMN), which include two specific sub-classes, viz. the slash and the Student-t distributions. Under a Bayesian perspective, the Markov Chain Monte Carlo (MCMC) method is constructed to estimate all the parameters and latent variables in the proposed MM-SMN models. Two evaluating indices, namely the deviance information criterion (DIC) and the test of white noise hypothesis on the standardised residual, are used to compare the MM-SMN models with the classic normal market microstructure (MM-N) model and the stochastic volatility models with the scale mixtures of normal distributions (SV-SMN). Empirical studies on daily stock return data show that the MM-SMN models can accommodate possible outliers in the observed returns by use of the mixing latent variable. These results also indicate that the heavy-tailed MM-SMN models have better model fitting than the MM-N model, and the market microstructure model with slash distribution (MM-s) has the best model fitting. Finally, the two evaluating indices indicate that the market microstructure models with three different distributions are superior to the corresponding stochastic volatility models.     

一种任意分布下的隐变量因果结构学习算法

因果发现旨在通过观测数据挖掘变量间的因果关系,在实际应用中需要从观测数据中学习隐变量间的因果结构。现有方法主要利用观测变量间的协方差信息（如四分体约束）或引入非高斯假设（如三分体约束）来解决线性因果模型下的隐变量结构学习问题,但大多限定于分布明确的情况,而实际应用环境往往并不满足这种假设。给出任意分布下隐变量结构的识别性证明,指出在没有混淆因子影响的情况下,两个隐变量的因果方向可识别所需要的最小条件是仅需要其中一个隐变量的噪声服从非高斯分布。在此基础上,针对线性隐变量模型提出一种在任意分布下学习隐变量因果结构的算法,先利用四分体约束方法学习得到隐变量骨架图,再通过枚举骨架图的等价类并测量每一个等价类中的三分体约束来学习因果方向,同时将非高斯约束放宽到尽可能最小的变量子集,从而扩展线性隐变量模型的应用范围。实验结果表明,与MIMBuild和三分体约束方法相比,该算法得到了最佳的F1值,能够在任意分布下学习更多的隐变量因果结构信息,且具有更强的鲁棒性。     

基于混合因子分析的隐马尔可夫模型

经典隐马尔可夫模型用于语音识别存在的两个主要缺陷是“离散状态假设”和“独立分布假设”。前者忽略了语音信号的非平稳性,后者忽略了语音信号的相关性。文章将混合因子分析方法用于语音建模,提出了基于混合因子分析的隐马尔可夫模型框架,并用动态贝叶斯网络形象地表示。该模型框架不仅从理论上解决了上述问题,而且给出许多语音建模的选择。目前广泛使用的统计声学模型均可视为该模型的特例。     

Optimal Prediction with Conditionally Heteroskedastic Factor Analysed Hidden Markov Models

The deficiencies of stationary models applied to financial time series are well documented. A special form of non-stationarity, where the underlying generator switches between (approximately) stationary regimes, seems particularly appropriate for financial markets. We use a dynamic switching (modelled by a hidden Markov model) combined with a linear conditionally heteroskedastic latent factor model in a hybrid conditionally heteroskedastic factor analysed hidden Markov model (CHFAHMM) and discuss the practical details of training such models with a new approximated version of the Viterbi algorithm in conjunction with the expectation-maximization algorithm to iteratively estimate the model parameters in a maximum-likelihood sense. The performance of the CHFAHMM is evaluated on both simulated and financial data sets. On the basis of out-of-sample forecast encompassing tests as well as other measures for forecasting accuracy, our results indicate that the use of this new method yields overall better forecasts than those generated by competing models.     

基于耦合关系的情感词语义分析方法

针对传统话题模型不能很好地获取文本情感信息并进行情感分类的问题,提出了情感LDA（latent Dirichlet allocation）模型,并通过对文本情感进行建模分析,提出了情感词耦合关系的LDA模型。该模型不但考虑了情感词的话题语境,而且考虑了词的情感耦合关系,并且通过引入情感变量对情感词的概率分布进行控制,采用隐马尔科夫模型对情感词耦合关系的转移进行建模分析。实验表明,该模型可以对情感词耦合关系和话题同时进行分析,不仅能有效地进行文本情感建模,而且提升了情感分类结果的准确度。     

一种基于隐马尔可夫模型的目标轨迹跟踪算法

现有的定位算法只表现了目标的静态位置特征, 不能较好地在目标移动情况下跟踪获取目标的运行行为轨迹。针对这一问题, 设计了一种基于隐马尔可夫模型的目标轨迹跟踪算法。该算法根据小区覆盖范围内的地理位置信息和目标用户的移动速度, 建立隐马尔可夫模型; 然后, 基于维特比译码算法对最佳路径和最佳状态概率进行最优化求解, 实现对目标轨迹的跟踪。仿真结果表明, 该算法可以在基站小区分辨率下精确地获取目标轨迹。     

一种基于多层次MRF的多源图象融合算法

图象融合技术的主要目的是将多种图象传感器数据中的互补信息组合起来 ,使形成的新图象更适合于计算机处理 (如分割、特征提取和目标识别 )等 .在多层次 MRF模型的基础上 ,提出了一种应用于多源图象分类的图象融合算法 .该融合算法将定义在多层次图结构上的非线性因果 Markov模型与贝叶斯 SMAP(sequential m axi-mum a posteriori)最优化准则结合起来 ,克服了 MAP(maximum a posteriori)准则在多层次图结构上计算不合理的缺陷 .该算法可应用于多源遥感图象中的信息融合 ,使像素分类更精确 ,并解决多源海量数据的富集表示 .另外还利用合成图象与自然图象分别针对多层次 MRF模型的改进及算法中可最优化准则的不同进行了对比实验 ,结果表明 ,该算法具有许多优越性     

基于小波分析和HMM的语音识别模型建立与仿真

利用隐马尔可夫模型HMM优异的时序建模能力及小波变换可以对信号进行多尺度分析并有效提取信号的局部信息的特点,建立了混合语音识别模型.在语音信号的识别过程中考虑到了信号的非平稳性,采用并行识别的方法分别获取分类信息,根据混合模型的识别算法做出识别决策,减小了系统对环境的依赖性,提高了其自适应能力.仿真实验结果表明,混合模型识别结果比单一HMM模型或小波模型识别结果更佳,提高了整体的识别速度和识别率.     

基于隐高斯混合模型的人脑MRI分割方法

针对传统的高斯混合模型的抗噪性能和鲁棒性较差的缺点,提出一种基于隐高斯混合模型的人脑MRI分割方法。传统的高斯混合模型由于忽略了空间信息和未考虑分割结果的分布情况导致模型不完整。针对这些缺点,把分割结果的概率密度函数作为隐含数据引入到高斯混合模型,建立了非线性加权的隐高斯混合模型;同时引入了含空间信息与平滑系数的高斯权重置指数;运用期望最大化算法与牛顿迭代法对类均值,类方差以及平滑系数进行求解,最后根据最大后验概率准则得到人脑MRI的最终分割结果。经实验表明,提出的方法对人脑MRI具有很好的鲁棒性与抗噪性能。