基于改进HMM和Pearson相似度分析的滚动轴承自适应寿命预测方法

基于数据驱动思想,提出了一种相同工况下的滚动轴承寿命预测方法。针对轴承全寿命监测数据,根据K-means聚类算法划分轴承运行状态空间,考虑到隐马尔科夫模型主链为状态链的不足,对状态转移矩阵重新定义,将主链改进为寿命链,建立了基于改进HMM的全寿命状态驻留时间模型;将观测轴承数据、实时与建模数据进行Pearson相似度分析,构造寿命比例调节系数,实现寿命模型参数的动态修正和观测轴承寿命的自适应预测。采用美国辛辛那提大学实验中心轴承试验数据开展了应用研究,通过一组轴承全寿命数据实现了对其它轴承不同阶段及全寿命的预测,与传统的隐马尔科夫模型、灰色模型预测等方法预测结果相比,所提算法兼具较好的预测准确性和模型的泛化性。     

基于HMM-SVM融合模型的鲁棒人脸识别算法

针对人脸识别的鲁棒性问题,鉴于HMM具有良好的时间序列建模能力和SVM在有限样本的分类方面具有优良性能,采用一种基于HMM-SVM融合模型的鲁棒人脸识别算法.首先将归一化人脸图像用采样窗从上到下进行采样,采用DCT争SVD提取各个采样窗图像的特征参数并串接成观察向量,然后由每个人的训练图像的观察向量训练得到每个人HMM模型,将测试图像的观察向量采用Viterbi算法求出对应于每个人HMM模型的输出概率,最后将输出概率送入支持向量机进行分类训练及识别测试,得到人脸识别结果.在ORL库和Yale库的实验表明该算法的识别率高于传统的单一HMM方法和SVM方法,鲁棒性有一定的提高.     

基于Fuzzy的隐马尔可夫模型主动轮廓线模型

提出了一种基于Fuzzy和隐马尔可夫模型(HMM)的新型主动轮廓线模型,该模型将HMM理论应用于主动轮廓线模型中,利用HMM提供多种测量信息的能力,优化了模型参数,克服了传统主动轮廓线模型的缺点.同时利用模糊集理论建立了HMM中的状态与观测向量之间的模糊隶属关系,从而使蛇点准确收敛到图像边缘.对动态图像的仿真实验表明,改进后的主动轮廓线模型能很好地收敛到物体的凹陷边界,且具有良好的抗噪性.     

基于CHMM的齿轮箱状态识别研究

针对离散隐Markov模型(HMM)在状态识别中的不足,结合齿轮箱全寿命实验数据,研究了基于连续隐Markov模型(CHMM)的状态识别方法。建立了基于齿轮箱原始振动信号的CHMM状态识别框架,提出了基于K均值算法和交叉验证相结合的状态数优化方法,通过计算待确定观测数据的极大似然概率值来确定齿轮箱当前状态。结果表明,用原始振动信号作为CHMM的输入可以实现状态识别,验证了模型的有效性,为齿轮箱基于状态的维修提供了科学依据。     

连续隐半马尔科夫模型在轴承性能退化评估中的应用

连续隐半Markov模型(Continuous hidden semi-Markov model,CHSMM)是隐Markov模型(Hidden Markov model,HMM)的一种扩展形式,可用于时间序列过程的动态建模。通过加入状态分布参数并对多组观测值进行连续化,可加强模型对新观测值的处理能力以及对状态驻留时间的建模能力。利用该方法建立了轴承性能退化的评估模型。首先,分析振动信号并提取频带能量作为退化特征;然后将正常状态下的特征样本作为模型的观测值对CHSMM进行训练;最后将待测的特征样本输入模型,得到待测样本相对于所建立正常模型的输出概率,作为轴承性能退化状态的标志。轴承疲劳寿命试验结果表明:所提的评估模型能较好地刻画轴承性能退化的过程,并能在早期对轴承的性能退化做出预警。     

基于自适应交互式多模型的永磁同步电机无感控制

目的 改善包装印刷机器的控制性能,减少包装印刷机器所用传感器数量和电机控制系统成本,减小包装印刷机械装置故障率和电机体积,针对传统扩展卡尔曼滤波算法中模型可能不匹配实际工况的问题,提出一种自适应多模型无感控制策略。方法 基于传统扩展卡尔曼滤波,引入多模型,在输入环节依靠状态转移概率矩阵实现多个模型间的交互,并借助隐马尔可夫模型,设计多模型的状态序列和观测序列,将观测得到的矩阵对多模型交互环节的状态转移概率矩阵进行迭代更新,提高模型面对环境扰动时的匹配程度。结果 Matlab/Simulink仿真结果表明,改进后的算法使转速的估计精度得到显著提升,同时在面对环境扰动时,其抗扰动能力显著提高。结论 与传统扩展卡尔曼滤波算法相比,改进算法提高了系统控制精度,提高了动态性能和鲁棒性,改进后算法更适合应用于包装印刷机械。     

压力传感器的模型不确定度研究

针对利用单次动态校准数据建立的压力传感器动态数学模型可信度不高的问题,提出了一种估计压力传感器最优动态数学模型及评定模型不确定度的方法.首先,对同一支压力传感器进行多次动态校准、建模得到多个模型参数向量.然后,对多个模型参数向量等概率可放回地随机抽取求均值,重复抽取过程模拟大量的建模结果,以此估计压力传感器的最优动态数学模型及评定模型不确定度.最后,对该压力传感器进行多次动态校准,建模验证时域和频域模型是否落在评定的不确定度区间内.实验结果表明:该方法得到的压力传感器最优动态数学模型合理,模型不确定度符合实际且小于运用贝塞尔法、蒙特卡洛法评定的模型不确定度.     

基于极半径曲面矩和HMM的三维模型分类与检索算法

在计算机辅助设计（computer aided design，CAD）中，对机械零件的三维模型进行分类和检索有利于设计人员重用设计信息，从而缩短产品的开发周期，以快速响应市场需求。针对三维模型的分类与检索，提出了一种基于极半径曲面矩和隐马尔科夫模型（hidden Markov model，HMM）的分类与检索算法。首先，计算三维模型的极半径曲面矩并组成特征向量，经排序编码后，将其作为HMM的观测序列；然后，取一部分人工标注过的三维模型作为训练样本，采用添加比例因子的多观测序列B-W（Baum-Welch）算法对HMM进行训练；最后，利用训练好的HMM对三维模型进行分类与检索。实验结果显示，与现有的2种分类与检索算法相比，所提出的算法具有更高的识别率和检索效率。该算法的特点是：极半径曲面矩计算快，不用将三维模型体素化；HMM训练快，分类能力强，且不需要大量训练样本就有一定的分类能力。研究表明，所提出的算法能较好地解决三维模型的分类与检索问题，具有一定的实用价值。     

一种基于HMM和CRF的双层分词模型

中文分词是自然语言处理的基础。根据各种分词模型的特性,提出一种双层分词模型。在底层用隐马尔可夫模型(HMM)进行粗分,在高层利用条件随机场(CRF)对文本进行重新标注。从实验结果证明,该模型是有效的。     

无限隐Markov模型在缺失数据轴承退化趋势预测中的应用

相比较于在完整数据下设备性能退化预测，缺失数据下的预测是更加困难的，也是更有意义的。然而，现有的轴承性能退化预测方法都未考虑缺失数据下的预测，基于此，提出了一种基于无限隐马尔可夫模型的缺失数据下轴承退化预测方法。在提出的方法中，通过建立无限隐马尔可夫预测模型，预测了滚动轴承样本数据在振荡阶段所缺失的数据点，形成新的完整数据。同时，再使用建立的预测模型对新的完整数据进行单步预测。实验结果表明，与真实值对比，得到的预测数据具有较小的平均误差值；对比真实值、完整数据下的预测值和新的完整数据下的预测值，验证了提出方法的有效性，能够反映滚动轴承退化的变化趋势。提出的方法可为数据缺失下滚动轴承的退化趋势预测提供一种思路，具有重要的理论价值和工程应用价值。     

基于EEMD-SDCCⅠ-HMM的水电机组振动故障识别方法EI北大核心CSCD

针对水电机组故障诊断问题,提出了一种基于集合经验模态分解(EEMD),曲线趋势编码(CC)和隐马尔科夫模型(HMM)的故障识别方法。该方法首先利用EEMD处理机组振动信号,得到一系列本征模态函数(IMF)然后计算各阶IMF的标准差(SDs)形成标准差曲线,并根据IMF标准差曲线的趋势进行编码构成特征向量。最后将特征向量作为学习样本输入HMM,通过训练得到各状态的HMM。当待测样本输入各状态HMM时,可通过对比各模型输出的对数似然概率值来判断样本所属状态。试验结果表明,该方法能有效提取机组故障特征,识别故障类型,与常规故障识别方法相比,具有较高的准确率。     

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。     

基于微分经验模式分解和隐马尔科夫模型的滚动轴承故障诊断方法

提出基于微分经验模式分解（DEMD）和隐马尔科夫模型(HMM）的旋转机械故障诊断方法,并应用到滚动轴承故障诊断中。首先,对故障信号进行基于微分的经验模式分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态似然概率值;以最大似然概率所对应的故障状态作为诊断结果,最终实现滚动轴承故障诊断。滚动轴承点蚀故障的诊断实验证明了该方法的有效性。与基于EMD-HMM的故障诊断方法相比,基于DEMD-HMM的故障诊断方法更适用于滚动轴承故障诊断。     

The hardware design of a speaker‐independent speech recognizer

Abstract

This paper presents a hardware approach to the realization of a speaker‐independent speech recognizer. This hardware includes a feature normalizer, a vector quantizer, and a hidden Markov model (HMM) scoring processor. It can meet real time requirements in moderate vocabulary applications. The finite‐register‐length effect is investigated so that the register length for representing the model parameters and the computation results can be determined. An error analysis for the HMM scoring procedure is also derived.     

Autonomous diagnostics and prognostics in machining processes through competitive learning-driven HMM-based clustering

A prerequisite to widespread deployment of condition-based maintenance (CBM) systems in industry is autonomous yet effective diagnostics and prognostics algorithms. The concept of ‘autonomy’ in the context of diagnostics and prognostics is usually based on unsupervised clustering techniques. This paper employs an unsupervised competitive learning algorithm to perform hidden Markov model (HMM) based clustering of multivariate temporal observation sequences derived from sensor signal(s). This method improves autonomy of the diagnostic engine over the more traditional classifier based diagnostics models. Classifier models, such as the model presented by Baruah and Chinnam [Baruah, P. and Chinnam, R.B., 2005. HMM for diagnostics and prognostics in machining processes. International Journal of Production Research, 43 (6), 1275–1293] employ ‘labelled’ feature vectors for supervised model building and subsequent health-state classification during condition monitoring. Improving the autonomy of the diagnostics model also improves the autonomy of the prognostics module that often builds upon information extracted through the diagnostics module. We have validated the proposed methods on a physical test-bed that involved monitoring drill-bits on a CNC machine outfitted with thrust-force and torque sensors. Experimental results demonstrate the ability of this method to estimate on-line the remaining-useful-life of a drill-bit with significant accuracy.     

Prediction of Parkinson’s Disease Using Improved Radial Basis Function Neural Network

Parkinson’s disease is a neurogenerative disorder and it is difficult to diagnose as no therapies may slow down its progression. This paper contributes a novel analytic system for Parkinson’s Disease Prediction mechanism using Improved Radial Basis Function Neural Network (IRBFNN). Particle swarm optimization (PSO) with K-means is used to find the hidden neuron’s centers to improve the accuracy of IRBFNN. The performance of RBFNN is seriously affected by the centers of hidden neurons. Conventionally K-means was used to find the centers of hidden neurons. The problem of sensitiveness to the random initial centroid in K-means degrades the performance of RBFNN. Thus, a metaheuristic algorithm called PSO integrated with K-means alleviates initial random centroid and computes optimal centers for hidden neurons in IRBFNN. The IRBFNN uses Particle swarm optimization K-means to find the centers of hidden neurons and the PSO K-means was designed to evaluate the fitness measures such as Intracluster distance and Intercluster distance. Experimentation have been performed on three Parkinson’s datasets obtained from the UCI repository. The proposed IRBFNN is compared with other variations of RBFNN, conventional machine learning algorithms and other Parkinson’s Disease prediction algorithms. The proposed IRBFNN achieves an accuracy of 98.73%, 98.47% and 99.03% for three Parkinson’s datasets taken for experimentation. The experimental results show that IRBFNN maximizes the accuracy in predicting Parkinson’s disease with minimum root mean square error.     

Degradation modeling and classification of mixed populations using segmental continuous hidden Markov models

With the market demands, the classification for highly reliable products becomes more and more significant. The degradation data can provide information about the degradation states and can be used to classify products to various classes according to the reliability attribute. In this paper, a temporal probabilistic approach, named segmental continuous hidden Markov model (SCHMM), is proposed to tackle the problem of degradation modeling and classification for mixed populations. Separate SCHMMs are built for each class of the mixed populations. The SCHMMs can directly depict the correspondence between actual degradation and the hidden states. A novel method called self‐training algorithm for the preprocessing of the original data from the mixed populations is proposed. Furthermore, the unknown parameters of the SCHMMs are estimated by the maximum likelihood method with the complete degradation data. The root mean square error of the estimated degradation value compared with the actual physical degradation value, as well as Akaike information criterion and Bayesian information criterion, is used for the evolution of the fitting accuracy and the selection of model topologies and discretization methods. Then the maximum posterior probability‐based classification criteria are developed. Degradation tests are designed for the data collection. To obtain the optimal classification policies, a cost function that consists of the degradation test cost and misclassification cost is constructed. A numerical example is used to illustrate the proposed method and demonstrate its advantages by comparing with other classification methods.     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域.但K-均值聚类容易陷入局部最优,影响图像分割效果.针对K-均值的缺点,提出一种基于随机权重粒子群优化（RWPSO）和K-均值聚类的图像分割算法RWPSOK.在算法运行初期,利用随机权重粒子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部搜索能力,实现算法快速收敛.实验表明：RWPSOK算法能有效地克服K-均值聚类易陷入局部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法（PSOK）相比,RWPSOK算法具有更好的分割效果和更高的分割效率.