隐马尔可夫情感模型的复合情绪生成

情感模型的建立,是产生人工情感的一种途径,也是和谐人机交互的基础.针对现有的隐马尔可夫情感模型仅能产生基本情绪的问题,提出了一种改进的模型,使其能够产生复合情绪.首先,放宽已有理论的假设条件,使得某种刺激可以引发多种基本情绪,并且2种基本情绪状态的强度可以同时增大,提高了模型的普适性;其次在引入辅助矩阵和可变阈值后,实现了情感模型的复合情绪生成.通过仿真试验,验证了该模型的有效性.     

多模态驾驶员情绪识别研究综述

准确识别驾驶员情绪可以有效预防潜在的危险驾驶行为,减少交通事故的发生,是提升道路安全和驾驶体验的重要技术。随着人工智能和多模态数据处理技术的进步,情绪识别技术从单模态方法逐步发展为多模态方法。梳理了当前多模态驾驶员情绪识别的研究进展,重点总结了面部表情、语音信号、生理信号以及车辆行为四种模态的识别流程,关键步骤包括数据预处理、特征提取和多模态融合。通过分析现有研究,总结了不同方法的优势与不足,介绍了多个驾驶员情绪相关数据集。最后结合当前研究所面临的挑战,提出了未来多模态驾驶员情绪识别研究领域的五个研究方向。     

基于HMM的驾驶员疲劳识别在智能汽车空间的应用

智能汽车空间作为普适计算一种具体而集中的表现,对此提出一个基于隐马尔科夫模型(HMM)的驾驶员疲劳识别应用。选取PERCLOS特征变量作为测评驾驶员疲劳的低层上下文,通过大量样本数据的训练,建立HMM,用Viterbi算法从观察序列中识别出最有可能的驾驶员隐藏状态,提醒驾驶员以确保安全的驾驶行为。最后通过在模拟实验环境中的案例验证了该方法的有效性。     

基于增益的隐马尔科夫模型的文本组块分析

本文提出一种基于增益的隐马尔科夫模型(Transductive HMM)的方法,用于文本组块(Text Chunking)分析的研究。该方法将一些上下文信息导入隐马尔科夫模型(HMM),构造增益的隐马尔科夫模型(Transductive HMM)。该模型不需要修改标准的隐马尔科夫模型的训练和标注过程,只需要对训练语料根据导入的上下文信息进行相应的转换。实验结果显示,该方法在文本组块分析方面是有效的。     

基于隐马尔科夫模型下的实时风险管理

在目前实时风险管理整体现状的研究基础上,该文独立设计出了一种实时风险管理的框架。理论分析表明,与传统做法相比较,改进后的实时风险评估子模块不仅节省存储空间而且在与其它子模块进行交互时更具有实时性,得到的风险值也更加合理。     

人工心理情感模型的个人机器人

以心理动力学中心理能量概念为基础,根据情感能量守恒定律,建立了情感状态能量分布描述空间和情感状态的概率描述空间,分析情绪状态的变化过程,提出情绪状态自发转移过程的隐马尔可夫链及其模型算法.利用MATLAB建立相关情感状态变化的仿真研究平台,研究情感状态的变化规律.根据以上人工心理情感模型及其变化规律构建出个人机器人综合研究平台软、硬件体系结构,并通过该系统的实际运行实验验证了其有效性.     

家庭服务机器人情感计算模型的研究

根据基本情感理论建立了家庭服务机器人的情感状态概率空间模型,并应用马尔可夫链的特性,建立了基于隐马尔可夫模型的情感计算模型.详细地阐述了该情感计算模型中各参数的意义以及估算方法.通过仿真实验验证了该情感计算模型可以较好地模拟情感状态的自发转移,以及在外部刺激作用下的情感转移.通过对实验数据分析,发现机器人的情感经外部刺激作用或者自发演变,最终趋于稳定状态,这个稳定状态与情感转移概率矩阵有关,而与机器人所处的初始情感状态无关.     

基于隐马尔科夫模型的语义倾向性研究

以网络评论为研究对象,试图把隐马尔科夫模型从已经成功应用的模式识别领域推广到语义倾向性分析系统.与传统倾向性识别系统不同的是,此理论通过建立隐马尔科夫分类模型,将未知文本进行状态序列化,得到文本中所有的词语所对应的倾向性,然后选定多数词的倾向性来作为文本的总体语义倾向.实验表明,当训练数据越全面、规模越大时,识别率越高.     

基于垃圾模型的维吾尔语关键词识别

关键词识别是语音识别中的一个重要研究方向,而维吾尔语的关键词识别研究刚刚开始。结合维吾尔语音节特点和考虑影响关键词识别因素,提出在HMM模型的基础上对非关键词建立垃圾模型的方法,来提高关键词的识别效率。     

基于垃圾模型的维吾尔语关键词识别

关键词识别是语音识别中的一个重要研究方向,而维吾尔语的关键词识别研究刚刚开始．结合维吾尔语音节特点和考虑影响关键词识别因素,提出在HMM模型的基础上对非关键词建立垃圾模型的方法,来提高关键词的识别效率。     

支持表情细节的语音驱动人脸动画

针对语音驱动人脸动画中如何生成随语音运动自然呈现的眨眼、抬眉等表情细节以增强虚拟环境的沉浸感的问题,提出一种可以合成表情细节的语音驱动人脸动画方法.该方法分为训练与合成2个阶段.在训练阶段,首先对富有表情的三维人脸语音运动捕获数据特征进行重采样处理,降低训练数据量以提升训练效率,然后运用隐马尔可夫模型(HMM)学习表情人脸语音运动和同步语音的关系,同时统计经过训练的HMM在训练数据集上的合成余量;在合成阶段,首先使用经过训练的HMM从新语音特征中推断与之匹配的表情人脸动画,在此基础上,根据训练阶段计算的合成余量增加表情细节.实验结果表明,文中方法比已有方法计算效率高,合成的表情细节通过了用户评价验证.     

一种改进的隐马尔可夫模型在语音识别中的应用

提出了一种新的马尔可夫模型——异步隐马尔可夫模型．该模型针对噪音环境下语音识别过程中出现丢失帧的情况,通过增加新的隐藏时间标示变量Ck,估计出实际观察值对应的状态序列,实现对不规则或者不完整采样数据的建模．详细介绍了适合异步HMM的前后向算法以及用于训练的EM算法,并且对转移矩阵的计算进行了优化．最后通过实验仿真,分别使用经典HMM和异步HMM对相同的随机抽取帧的语音数据进行识别,识别结果显示在抽取帧相同情况下异步HMM比经典HMM的识别错误率低．     

Driving intention recognition and behaviour prediction based on a double-layer hidden Markov model

We propose a model structure with a double-layer hidden Markov model (HMM) to recognise driving intention and predict driving behaviour. The upper-layer multi-dimensional discrete HMM (MDHMM) in the double-layer HMM represents driving intention in a combined working case, constructed according to the driving behaviours in certain single working cases in the lower-layer multi-dimensional Gaussian HMM (MGHMM). The driving behaviours are recognised by manoeuvring the signals of the driver and vehicle state information, and the recognised results are sent to the upper-layer HMM to recognise driving intentions. Also, driving behaviours in the near future are predicted using the likelihood-maximum method. A real-time driving simulator test on the combined working cases showed that the double-layer HMM can recognise driving intention and predict driving behaviour accurately and efficiently. As a result, the model provides the basis for pre-warning and intervention of danger and improving comfort performance.     

基于HMM的应用层DoS攻击检测方法

为了能快速有效地识别出应用层DoS攻击, 提出一种基于HMM的应用层DoS攻击检测方法。该方法以应用层协议关键词和关键词之间的时间间隔作为输入, 采用隐马尔可夫模型来快速检测应用层DoS攻击。实验结果表明, 该方法对应用层上的多种DoS攻击都具有很高的检测率和较低的误报率。     

图像轮廓波变换及变换域隐马尔可夫模型的应用

鉴于2维张量积小波已被证实不能为分片光滑图像提供理想表达,从而促使了近年来各种“超越小波”的变换理论和方法的出现。其中轮廓波变换因其理论新颖、技术思想先进、实效显著而具有深入研究的前景和潜力。为了使人们对轮廓波变换有一概略了解,首先以轮廓波变换原理及变换域隐马尔可夫模型为主线,并对关键点给出了详细论述;然后从宏观角度对轮廓波变换进行了深入浅出的综述;最后通过与小波变换的应用对比、分析,指出了轮廓波的应用潜力之所在,以及更进一步的研究方向。     

基于隐马尔可夫模型的运动目标轨迹识别 *

引入改进的隐马尔可夫模型算法,针对真实场景中运动目标轨迹的复杂程度对各个轨迹模式类建立相应的隐马尔可夫模型,利用训练样本训练模型得到可靠的模型参数;计算测试样本对于各个模型的最大似然概率,选取最大概率值对应的轨迹模式类作为轨迹识别的结果,对两种场景中聚类后的轨迹进行训练与识别。实验结果表明,平均识别率分别达到87.76 %和94. 19%。     

基于HMM方法的银行票据自动识别

利用隐态马尔可夫模型(HMMs),对银行票据中金额的大小写数据识别问题进行了研究．主要内容包括建立新颖的文字分刻算法;设计HMM训练和识别算法．在HMM系统中,将使用频率比较高的手写体错别字和同音字作为不同的字符类来处理;同时在HMM的训练过程中,提出了平滑参数的新方法．实验结果表明,该方法在实践中是可行的,在银行票据自动识别中有很好的应用前景．     

SVM+BiHMM:基于统计方法的元数据抽取混合模型

提出了一种SVM BiHMM的混合元数据自动抽取方法.该方法基于SVM(support vector machine)和二元HMM(bigram HMM(hidden Markov model),简称BiHMM)理论.二元HMM模型BiHMM在保持模型结构不变的前提下,通过区分首发概率和状态内部发射概率,修改了HMM发射概率计算模型.在SVM BiHMM复合模型中,首先根据规则把论文粗分为论文头、正文以及引文部分,然后建立SVM模型把文本块划分为元数据子类,接着采用Sigmoid双弯曲函数把SVM分类结果用于拟合调整BiHMM模型的单词发射概率,最后用复合模型进行元数据抽取.SVM方法有效考虑了块间联系,BiHMM模型充分考虑了单词在状态内部的位置信息,二者的元数据抽取结果得到了很好的互补和修正,实验评测结果表明,SVM BiHMM算法的抽取效果优于其他方法.     

计算机系统入侵检测的隐马尔可夫模型

入侵检测技术作为计算机安全技术的一个重要组成部分,现在受到越来越广泛的关注,首先建立了一个计算机系统运行状况的隐马尔可夫模型（HMM）,然后在此模型的基础上提出了一个用于计算机系统实时异常检测的算法,以及该模型的训练算法。这个算法的优点是准确率高,算法简单,占用的存储空间很小,适合用于在计算机系统上进行实时检测。     

搜索引擎广告中广告商状态建模

搜索引擎广告是目前互联网上一种非常成功的商业模式,它已成为搜索引擎公司的主要收入来源并为广告商们提供了许多商机.搜索引擎、广告商和搜索用户构成了搜索引擎广告的3个主要组成部分——搜索引擎提供技术和服务、广告商提供广告内容、用户浏览并点击广告.其中搜索引擎相关技术以及用户行为都有比较多的研究和成型的技术,但对广告商尤其是广告商状态的研究却并不多见.基于此背景,对搜索引擎广告中广告商的状态进行了深入的研究.在方法上按照广告商相关广告的展示次数、点击次数以及广告费用来对其潜在状态进行描述和划分,并使用隐Markov模型对广告商的时序状态进行建模.重点在于将机器学习和数据挖掘的方法应用于广告商的建模之中,并取得了不错的预测正确率.