针对时间序列多步预测的聚类隐马尔科夫模型

时间序列的预测在现今社会各个领域中有着广泛的应用.本文针对时间序列趋势预测中的多步预测问题,提出了基于聚类的隐马尔科夫模型,利用隐马尔科夫模型中的隐状态来表示产生时间序列数据时的系统内部状态,实现对多步时间序列的预测.针对时间序列聚类中的距离计算问题,提出结合时间序列时间性和相似性的聚类算法,并给出了迭代精化基于聚类的隐马尔科夫模型的方法.实验表明,本文提出的方法在时间序列多步预测中精度较高.     

基于Kalman和ARIMA组合模型的路段行程时间预测

考虑到目前单一路段行程时间预测方法性能不稳定的情况,提出卡尔曼滤波预测(Kalman)和时间序列分析(ARIMA)组合模型进行路段行程时间的预测。利用Kalman模型良好的实时性和ARIMA强大的线性拟合能力,以两种模型分别对同一路段行程时间进行独立的预测,再将这两子模型所得预测结果进行动态加权,以最优模式组合模型以达到最佳预测目的。研究表明,组合模型吸取了两模型的各自优点,其预测准确性高于各独立预测模型,是预测路段行程时间的有效方法。     

基于生成对抗网络的城市路网行程时间数据补全

行程时间信息在交通管控中起着重要作用。车辆轨迹信息可以提供大规模路网行程时间数据。然而,由于轨迹数据的稀疏性,路网行程时间常出现数据缺失问题。为解决这一问题,构建一种生成对抗网络(GAN)模型。该模型通过拟合数据丰富路段的行程时间数据的概率分布,为数据缺失路段生成行程时间数据。利用滴滴出行轨迹数据进行了数值实验,结果表明GAN模型的数据补全能力优于对比方法。     

基于隐马尔科夫模型的波动率预测探究

基于沪深300指数收益率,利用隐马尔科夫模型对不可直接观测的波动率进行研究。通过历史数据进行参数估计,然后运用参数和当前观测值对未来波动率进行预测。之后,将预测结果与GARCH模型的预测结果进行比较,实证结果表明了隐马尔科夫模型的有效性和准确性。     

基于运动模型估计的分布式实时时间配准算法

在目标运动模型未知和参数不完备等复杂情况下,目前尚无较好的分布式实时时间配准方法。假设在较短时间内目标在某一方向上的运动可以用匀速、匀加速或匀变加速直线运动模型表示,文中提出了一种复杂情况下基于运动模型估计的分布式实时时间配准算法。首先,对目标航迹序列进行不同阶次的滑窗多项式拟合,并根据拟合误差在线估计目标的运动模型;然后,在状态参数不完备的情况下构造完整的运动状态估计向量,并利用Kalman预测方法进行实时时间配准。仿真结果表明,与传统方法相比,提出的方法具有更好的性能。     

基于WSN的隐马尔科夫模型煤矿井下定位

针对煤矿井下定位精度不高的问题,提出一种隐马尔科夫模型(Hidden Markov Model,HMM)的定位方法。通过比较隐马尔科夫模型和粒子滤波模型推断出,当定位的数据需要通过多跳的方式传播时,使用半马尔科夫平滑移动模型(Semi-Markov Smooth Mobility Model,SMS)来估计误差,能量消耗,能提升定位精度。     

基于一种近邻传播的多目标分布估计算法

在基于规则模型的多目标分布估计算法(Regularity Model-based Multi-objective Estimation of Distribution Algorithm, RM-MEDA)基础上，为减小聚类数目的随机性和不确定性对算法性能产生的影响，提出了一种基于规则模型的近邻传播(Affinity Propagation, AP)多目标分布估计算法(AP-RM-MEDA)。在算法迭代初期引入AP聚类算法，根据种群传递的信息对种群进行初聚类，得到聚类数目。同时，为了减小AP聚类算法带来的计算开销，提出了一种关于聚类数目的重用策略，并通过实验验证了其有效性。为了提高算法的求解能力，混合差分变异算子生成新的个体。为了验证所提算法的性能，选取RM-MEDA、基于差分进化采样(Differential Evolution Sampling, DES)的多目标分布估计算法(DES-RM-MEDA)和基于规则模型的无聚类多目标分布估计算法(FRM-MEDA)作为对比算法，分别在两目标和三目标测试函数上进行测试。实验结果表明，所提算法的整体性能有所提高。     

基于HMM模型语音识别系统中声学模型的建立

语音识别是近些年来一项高速发展的技术.让计算机识别人的语音,甚至让人和计算机进行交流是所有从事模式识别专业人的梦寐以求的理想.本文主要介绍了应用于模式识别系统中的隐马尔科夫模型的基础理论,以及在隐马尔科夫模型理论的基础上建立了一种语音识别系统.详细探讨了这种模型系统中声学模型的建立过程,最后提出了这种基于HMM模型的语音识别系统的优点和改进展望.     

基于模糊聚类的图像分割研究进展

模糊聚类算法（Fuzzy C-Means,FCM）是一种基于软划分的聚类过程,已被广泛应用于机器学习、图像处理和计算机视觉等领域.虽然当前已涌现出大量关于FCM的图像分割算法,但仍然面临诸多挑战.本文将基于FCM的图像分割算法归纳为三类：基于空间邻域信息的FCM算法、基于直方图信息的快速FCM算法及基于维度加权的FCM算法.首先系统分析和阐述了各类FCM算法的研究现状,然后通过实验分析各类算法的性能,最后总结了FCM算法在图像分割中存在的问题以及将来的研究方向.     

基于密集网络的质子热声信号走时提取

针对临床上由质子热声信号脉宽和信噪比的不确定性引起的走时提取困难问题,提出了一种基于密集网络的走时提取算法.该算法使用密集块代替传统卷积块,融合了具有不同感受野的特征,并引入了深度监督和网络剪枝机制,利用标记好的质子束热声信号数据进行学习,以提取所需的走时信息.实验结果表明,相比其他算法,该算法对质子热声信号走时的提取具有较高的准确率和鲁棒性,同时展现了实时提取的可行性.     

一种基于加权隐马尔可夫的 自回归状态预测模型

针对电子系统状态趋势预测问题,提出了一种加权隐马尔可夫模型的自回归趋势预测方法.该方法以自回归模型作为隐马尔可夫的状态输出,利用加权预测思想对马尔可夫链中的隐状态进行混合高斯模型的加权序列预测,并利用最大概率隐状态下的自回归系数计算模型输出.通过对实际的复杂混沌序列和电子系统BIT状态数据进行趋势预测,并针对不同模型参数下的预测结果进行实验分析,结果表明该方法对系统状态变化的趋势具有较好的预测性能.     

基于改进隐马尔可夫模型的网络动态风险评估

网络风险评估是网络系统安全管理的基础和前提,网络风险评估方法是进行网络风险评估的关键技术,评估方法的选择直接关系到评估的最终结果。传统的网络风险评估方法实时性较差,将隐马尔可夫模型运用于风险评估中,可提高风险评估的实时性。使用改进蚁群算法训练隐马尔可夫模型（HMM）,使训练后的模型具有更高的识别能力。在基于现实数据的实验测试中,该方法得到了较好的检测结果。     

基于二阶隐马尔可夫模型的文本信息抽取

隐马尔可夫模型是文本信息抽取的重要方法之一.在一阶隐马尔可夫模型中,假设状态转移概率和观察值输出概率仅依赖于模型当前的状态,一定程度降低了信息抽取的精确度.而二阶隐马尔可夫模型合理地考虑了概率和模型历史状态的关联性,对错误信息有更强的识别能力.提出了基于二阶隐马尔可夫模型的文本信息抽取算法;分析了二阶隐马尔可夫模型在文本信息抽取中的有效性;仿真实验表明,新的算法比基于一阶隐马尔可夫模型的算法具有更高的抽取精确度.     

基于HMM模型的驾驶员换道行为识别分析

针对行车安全以汽车电子判断驾驶员驾驶方法是否会产生交通事故问题,文中采用隐马尔科夫模型的建立与应用,对驾驶员变换车道行为进行了分析,并利用向前-向后算法解决模型估算问题。通过应用Matlab工具箱进行模型参数集的训练,验证了该模型的有效性。     

基于声门闭合瞬间检测的时延算法研究

阐述了基于声门闭合瞬间检测的时延估计方法基本原理,研究了基于希尔伯特变换的线性预测残留误差时延估计法提取时延的方法,并与最大似然广义互相关方法进行了性能分析和比较,结果表明线性预测残留误差的均方偏差最小,抗混响能力强,运算量适中,便于实时实现。     

一种基于语义关系改进的隐马尔可夫模型研究

中文信息处理中统计方法的应用越来越广泛.为了更好地利用统计方法进行中文词义标注,文中对隐马尔可夫模型进行了改进研究,提出了使用基于语义格改进的隐马尔可夫模型.通过应用线性插值方法来计算改进的模型参数,HowNet中文知识库在中文词义标注中应用此模型,最后得到了较好的实验结果,证明了该方法的有效性.     

随机配送时间车辆路径问题的建模及算法

车辆路径问题是现代物流配送管理的一项重要内容,运输路径的合理选取,可以加快企业对客户需求的响应速度,提高服务质量,降低运营成本。本文在综合考虑企业运输成本最小化和客户满意度最大化的基础上,针对不确定配送时间的随机车辆路径问题,建立随机机会规划模型。最后通过实例对模型求解,结果表明该算法能取得更好的优化结果和更快的收敛速度。