共查询到17条相似文献,搜索用时 78 毫秒
1.
2.
在运用隐马尔可夫模型(Hidden Markov Model)解决问题的过程中,HMM的参数估计(训练)是最为关键的一步.为进一步提高模型精度,提出了一种两阶段混合的DHMM参数估计方法,与传统方法相比,该算法不依赖于初始值,具有更大的概率得到全局最优解. 相似文献
3.
基于HMM的信源—信道迭代联合译码 总被引:2,自引:0,他引:2
提出一种在接收端利用Turbo译码软输出,结合HMM(隐马尔可夫模型)中的Baum-Welch重估算法获取信源模型参数并进行信源-信道迭代联合译码的算法.通过含噪接收序列信道译码后的软输出对信源模型参数进行估计,并将迭代估计获得的信源精确概率结构和信道译码结合进行信源-信道联合迭代译码.同时从信息论角度提出用鉴别信息来度量估计获得的信源模型参数的精度,以及确定迭代估计终止的条件. 相似文献
4.
5.
6.
传统的系统可靠性分析需要检测系统中所有元件的故障状态,并不适用予系统的定期维护和保养检查。隐马尔可夫模型(HMM)是一种双重随机过程,能够解决随机不确定问题。通过对系统关键点的检测,经过复杂的网络运算综合得到系统状态的检测参数,给出了实现检测的相关网络模型以及相应的算法。 相似文献
7.
线性预测HMM(Linear Prediction HMM,LPHMM)并没有象传统HMM那样引入状态输出独立同分布假设,但实用中识别性能并不佳.通过分析两种HMM的各自优劣,本文提出了一种新的语音识别的混合模型,将语音静态特性(基于传统HMM)和动态特性(基于LPHMM)分别描述又有机结合在一起,更为精确地刻划了真实的语音现象,同时又继承使系统的实现改动很小和较小的计算量.汉语大词汇量非特定人连续语音识别的实验表明,混合模型的识别性能显著好于LPHMM和传统HMM.理论上,本文还给出了LPHMM的一组闭式参数重估公式. 相似文献
8.
9.
为解决隐马尔可夫模型(HMM)中参数很多,实际当中难以提供足够多训练数据的问题,根据观察值序列的状态分布情况,描述了一种基于状态加权合成的连续高斯混合密度隐马尔可夫模型(CGHMM)训练算法,对多个CGHMM模型进行加权合成,并将此方法应用于轴承故障诊断进行仿真实验。实验结果表明,平均训练时间为12.86 s,诊断时间为0.189 s,诊断准确度为96%。可见,多样本状态加权合成的CGHMM轴承故障诊断方法确实有效可行,具有良好的应用前景。 相似文献
10.
一种基于混合模型的离子单通道信号重构算法研究 总被引:1,自引:0,他引:1
细胞膜离子单通道信号是皮安级的随机离子电流,膜片钳技术记录中单通道电流往往被淹没在强背景噪声中.本文提出了一种隐马尔可夫模型(HMM)和径向基函数(RBF)神经网络相结合的混合模型,用于白噪声背景下细胞膜离子单通道电流的统计重构.该方法首先采用RBF网络强大的模式分类能力,确定离子单通道信号的电流幅值水平;然后利用HMM模型强时序信号处理能力,估计通道的动力学参数.在此基础上,从强噪声污染的膜片钳记录中统计重构理想化的通道电流信号.理论和仿真实验结果表明,在低信噪比情况下(SNR<5.0),该混合模型重构信号精度高,且具有较强的噪声鲁棒性. 相似文献
11.
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。 相似文献
12.
为了充分利用语音信号中的段长信息,该文提出了一种具有一般拓扑结构的非齐次隐含Markov模型(Hidden Markov Model, HMM),并将其应用于中、英文语种辨识(Language IDentification, LID)系统。非齐次HMM既很好地描述了语音信号的发生过程,又准确地利用了状态的段长信息和语言中的上下文连接结构信息,对于中、英文语种辨识系统,非齐次的HMM系统辨识性能好于齐次的HMM模型。而在非齐次的HMM中,同段长为均匀分布相比,段长分布为正态分布时系统的辨识性能更好,表明段长确实是一种重要的语种区分信息之一,且正态分布较均匀分布更接近于真实的段长分布。 相似文献
13.
针对现有改进的Camshift手势跟踪算法没有考虑光照变化影响下的鲁棒性,进而降低了动态手势的识别率,提出一种基于深度预分割结合Camshift跟踪算法的动态手势识别法.通过在Camshift手势跟踪的基础上引入深度信息,对手势搜索区域进行深度预分割,改进手势目标匹配概率,去除非手势肤色区域及光照变化的影响,最后用隐马尔可夫模型(HMM)进行识别.实验结果表明,提出的方法在光照变化及肤色干扰的环境下有很好的鲁棒性,数字0~9的平均识别率可达97.7%. 相似文献
14.
用HM框架下的神经网络分类器识别雷达目标 总被引:1,自引:0,他引:1
提出了一种HMM框架下的神经网络分类器,它既克服了普通神经网络不能有效地识别时变信号的缺点,又解决了HMM识别时变信号时不能突出不同信号的差异性问题。用网络权的遗传算法进化学习解决了Baum-Welch及BP网络学习中易陷入局部极小点的问题,还给出了用该网络成功识别实测雷达回波信号的实例。 相似文献
15.
16.