基于隐马尔可夫模型和高斯混合模型结合的声音转换方法

针对隐马尔可夫模型较强的语音信号表征能力和高斯混合模型良好的声音转换效果,提出了一种了隐马尔可夫模型和高斯混合模型相结合转换线谱频率的方法,给出了理论推导和算法流程,并利用高斯建模实现了韵律特征的转换.利用所述算法对录制的两段语音进行了仿真实验,转换语音有较好的自然度和清晰度,ABX测试结果显示,文中算法得到的语音在听觉上有90.2%的概率更接近目标说话人语音.     

隐半马尔可夫模型在剩余寿命预测中的应用

剩余寿命预测是作出正确的状态维修决策的基础和前提,是设备退化状态识别的重要内容。隐马尔可夫模型（HMM）是一种具有较强模式分类能力的统计分析算法,但是它不能直接用于剩余寿命的预测,而且考虑到隐马尔可夫模型的局限性和剩余寿命预测模型的可解释性,应用隐半马尔可夫模型（HSMM）进行建模和预测。针对HSMM的训练算法极易陷人局部极值点的问题,提出了基于改进微粒群优化算法（MPSO）进行修正。实验结果证明了该方法在设备剩余寿命预测研究上的有效性和可行性。     

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。     

基于隐马尔可夫模型的股票价格预测组合模型

提出了一种用于股票价格预测的人工神经网络(ANN),隐马尔可夫模型(HMM)和粒子群优化算法(PSO)的组合模型-APHMM模型.在APHMM模型中,ANN算法将股票的每日开盘价、最高价、最低价与收盘价转换为相互独立的量并作为HMM的输入.然后,利用PSO算法对HMM的参数初始值进行优化,并用Baum-Welch算法进行参数训练.经过训练后的HMM在历史数据中找出一组与今天股票的上述4个指标模式最相似数据,加权平均计算每个数据与它后一天的收盘价格差,则今天的股票收盘价加上这个加权平均价格差便为预测的股票收盘价.实验结果表明,APHMM模型具有良好的预测性能.     

基于隐马尔可夫模型的复合攻击预测方法

复合攻击成为网络攻击的主要形式之一,入侵检测系统仅能检测到攻击,但不能预测攻击。该文分析了传统的攻击预测方法的不足,提出一种基于隐马尔可夫模型的攻击预测方法,该方法使用隐马尔可夫模型中的Forward算法和Viterbi算法识别攻击者的攻击意图并预测下一步可能的攻击。通过实验验证了该方法的有效性。     

基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测研究

针对隐马尔可夫模型在进行设备健康诊断时与实际存在较大偏差的问题,提出了一种以似幂关系加速退化为核心的改进退化隐马尔可夫模型(DGHMM).首先,引入退化因子描述设备衰退过程,提出的似幂关系加速退化较常规指数式加速退化而言,能更好地描述设备服役期间随着役龄增加性能的逐步下降.其次,以全局搜索能力相对较强的改进遗传算法代替常规EM算法进行参数估计,克服了EM算法易陷入局部最优的局限性.同时,针对隐马尔可夫模型时间上须服从指数分布而不能直接用于寿命预测的局限性问题,提出了一种以近似算法与Viterbi算法为基础的贪婪近似法,以寻求最大概率剩余观测为目的,动态地寻求最大概率剩余状态路径,对设备剩余寿命进行预测.最后,通过美国卡特彼勒公司液压泵数据集对所提出的方法进行验证评价.结果表明,基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测方法在描绘设备退化、设备状态诊断准确率方面更加有效,在剩余寿命预测上亦为可行.     

基于曲面重建的带式输送机堆煤识别方法

针对现有带式输送机堆煤识别方法存在的易发生误触发报警、成本高等问题,提出一种采用红外结构光技术快速重建煤流曲面的带式输送机堆煤识别方法。首先,利用红外结构光技术获取堆煤的深度图;其次,将深度图映射为点云图,用点云数据构建凸四边形网,通过近似德劳内剖分法对凸四边形网进行三角剖分,完成堆煤曲面重建;最后,根据三角形顶点到相机的距离及顶点距离小于阈值的三角形面积占总面积的比例,判定是否出现堆煤事故。近似德劳内剖分法用遍历过程代替插入排序过程,存在小概率不满足德劳内性质的情况,但算法复杂度低,可大幅提升三角剖分速度,从而提高堆煤识别的实时性。实验结果表明:红外结构光技术有效地提高了算法对光照的鲁棒性;近似德劳内剖分法的成功率为99.466 1%,同等条件下近似德劳内剖分法和经典德劳内剖分法的曲面重建时间分别为1.28,134.93ms,近似德劳内剖分法在精度满足应用要求的前提下,极大地提高了运算速度;设定恰当的阈值,得出漏检数和误检数均为0;对大量图像处理时间进行统计,得出每帧处理时间小于20ms,满足实时性要求。     

基于隐马尔可夫模型的陀螺仪漂移预测

针对陀螺仪实验数据的有限性和非平稳性,提出了基于自回归(AR)模型和隐马尔科夫模型(HMM)的陀螺漂移预测方法。首先利用AR模型参数能够敏感状态变化规律的特性,提取陀螺漂移数据的自回归系数作为特征量;然后对具有混合高斯输出的HMM进行训练;最后对陀螺仪的状态进行加权预测,改进了趋势预测的方法,解决了陀螺漂移在小样本数据条件下的预测问题。实验分析了加权模型阶数和HMM状态数对陀螺漂移预测结果的影响,并验证了预测方法的有效性。     

基于高斯混合隐马尔科夫模型的自由换道识别

驾驶辅助系统被认为是解决交通安全问题的有效手段, 开发驾驶辅助系统的基础是对车辆的行为进行准确的识别, 以应用于车辆安全预警, 路径规划, 智能导航等方面. 目前存在的基于支持向量机模型, 隐马尔科夫模型, 卷积神经网络等行为识别方法还存在计算量与精度平衡的问题. 本文结合了隐马尔科夫模型与高斯混合模型, 提出了高斯混合隐马尔科夫模型, 利用美国联邦公路管理局NGSIM数据集对此方法进行了实验验证, 结果表明该方法对自由换道行为识别具有较高的精度. 本文还对高斯混合隐马尔科夫模型的实验参数进行了优化, 以期达到最好的识别效果, 为未来智能驾驶的车辆行为识别提供了参考.     

基于高斯混合-贝叶斯模型的轨迹预测

如今，在交通管理系统、军事机械化战场、安全行驶系统中，对实时、准确、可靠的移动对象轨迹预测具有很重要的作用，在市场上的应用越来越广，简称智能化预测。智能化预测可以提供精准的基于位置的服务，还可以根据预判，给车主推荐最优路线，这成为移动对象数据库研究的热点。针对现有方法的不足，提出基于高斯混合-贝叶斯模型的轨迹预测模型。实验表明，GM-BM模型在路段车流量正常情况下，通过调整混合模型中子模型的权重，可预测出最可能的轨迹，经计算与相同参数设置下的单模型相比，预测准确性至少提高10.00%。     

A hybrid fault prediction method for control systems based on extended state observer and hidden Markov model

Fault diagnosis and prediction for complex control systems rely either on the collection of rich data for training neural networks or on the system models and prior knowledge of faults. These methods are difficult to apply directly in complex integrated systems due to the large uncertainties in practical scenarios. A new fault diagnosis and prediction technique that is based on extended state observer (ESO) and a hidden Markov model (HMM) for control systems is proposed in this paper. Real-time and predictive information that is obtained by ESO of the active disturbance rejection control (ADRC) is utilized to improve the HMM method for the fault prediction of control systems with large uncertain disturbances. The proposed approach realizes a high recognition rate with a small demand for data, and the dependence on the system model is weak without prior knowledge of faults. Fault prediction of the control system output can be realized without additional sensors. The proposed solution is evaluated in simulations of an asynchronous servo motor control system against the traditional control method and the ADRC control. The results indicate that the proposed method performs well in fault prediction and outperforms the traditional method in terms of control when disturbances and failures occur.     

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Contourlet域隐马尔可夫树模型的图像融合

基于Contourlet域的隐马尔可夫树模型能反映不同尺度系数之间、不同方向系数之间的相关性,基于此,提出了一种基于Contourlet域隐马尔可夫树模型的图像融合算法。对源图像进行Contourlet变换,并针对高频子带系数建模并训练得到每一系数的后验概率;利用该后验概率指导高频系数融合的规则,对边缘和背景区域进行不同的融合处理,以尽可能保留原始图像的重要特征;进行Contourlet反变换得到最终融合结果。针对多聚焦图像进行了融合实验,采用联合熵、熵、相关系数、清晰度等指标对融合效果进行评价,实验表明了该算法优于基于Contourlet域的常规融合算法以及小波域隐马尔可夫树融合算法。     

基于二阶马尔可夫模型的模糊时间序列预测

针对当前模糊时间序列模型存在的缺乏有效论域划分方法和模糊关系前件多为一阶的现状,提出了基于二阶马尔可夫模型的模糊时间序列预测方法。应用模糊C均值聚类方法,获得序列中元素的隶属度;引入二阶马尔可夫模型中的转移概率矩阵表示模糊关系,更新了传统的模糊关系表示和运算;预测待求元素在各个模糊聚类的隶属度,并利用重心法去模糊化。将该模型运用到移动3G网络的性能预测中,与传统模糊时间序列预测方法相比,其准确性有了较大提高。     

基于图像识别的带式输送机输煤量和跑偏检测方法

传统的卷积神经网络(CNN)是单任务网络,为实现带式输送机输煤量和跑偏的同时检测,使用2个卷积神经网络分别对输煤量和跑偏进行检测,导致网络体积大、参数多、计算量大、运行时间长,严重影响检测性能.为降低网络结构的复杂性,提出了一种基于多任务卷积神经网络(MT-CNN)的带式输送机输煤量和跑偏检测方法,可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数.在VGGNet模型的基础上,增大卷积核和池化核的尺度,减少全连接层通道数量,改变输出层结构,构建了MT-CNN;对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后,获取训练数据集和测试数据集,并对MT-CNN进行训练;使用训练好的MT-CNN对输送带图像进行识别分类,实现输煤量和跑偏的准确、快速检测.实验结果表明,训练后的MT-CNN在测试数据集中检测准确率为97.3%,平均处理每张图像的时间约为23.1 ms.通过现场实际运行验证了该方法的有效性.     

基于连续隐马尔可夫模型的人脸识别方法

提出了一种基于连续隐马尔可夫模型的人脸图像识别方法,主要内容包括以下方面:①由于奇异值向量具有稳定性.转置不变性等特点,对归一化的人脸图像,采用奇异值分解抽取人脸图像特征作为观察值序列;②在人脸识别中应用连续隐马尔可夫模型,采用双高斯概率密度函数训练,建立HMM模型,再利用建好的HMM模型进行识别.实验结果显示,所提出的方法减少了数据计算量,运行速度快,并提高了识别率,完全满足人脸识别系统实时性要求.     

基于HMM时间序列预测和混沌模型的DDoS攻击检测方法

分布式拒绝服务（DDoS）攻击是网络环境中最具破坏力的攻击方式之一,现有基于机器学习的攻击检测方法往往直接将某时刻的特征值代入分类器进行分类,没有考虑相邻时刻特征之间的联系,因而导致误报率和漏报率较高。提出一种基于隐马尔科夫模型HMM时间序列预测和混沌模型的DDoS攻击检测方法。针对大规模攻击网络流量的突发性,定义网络流量加权特征NTWF和网络流平均速率NFAR二元组来描述网络流量的特点;然后采用层次聚类算法对训练集进行分类,以获取隐层状态HLS序列,利用NTWF序列和HLS序列对HMM进行监督学习获得状态转移矩阵和混淆矩阵,以预测NTWF序列;最后通过混沌模型分析NTWF序列的预测误差,结合基于NFAR的规则来识别攻击行为。实验结果表明,与同类方法相比,所提方法具有较低的误报率和漏报率。     

航空发动机的健康指标构建与剩余寿命预测

预测与健康管理技术能够有效的评估系统健康状态、预测系统剩余使用寿命,是提高复杂系统安全性、经济性的重要保障.为全面评估系统健康状态,本文提出了一种基于深度置信网络(DBN)的无监督健康指标构建方法,并结合隐马尔可夫模型(HMM)进行系统剩余寿命预测.首先,通过无监督训练深度置信网络实现历史数据的特征提取,进而构建健康指标;其次,利用健康指标集训练隐马尔可夫模型,实现设备健康状态的自动识别;最后,通过DBN-HMM混合模型来计算系统剩余寿命.采用商用模块化航空推进系统仿真软件(C-MAPSS)给出的航空发动机数据集,验证了上述方法的有效性.     

基于改进遗传算法和隐Markov模型的协议异常检测方法

针对现有基于隐Markov模型的协议异常检测方法中存在的训练样本不足问题和初始参数敏感问题,提出一种基于改进遗传算法和隐Markov模型的协议异常检测新方法。首先,采用局部竞争选择策略、算术交叉算子和自适应非均匀变异算子改进遗传算法,避免传统遗传算法在收敛过程中的“早熟”和“停滞”问题;然后,利用改进的遗传算法优化隐Markov模型的初始参数,解决模型对初始参数敏感的问题;最后,以协议关键词和关键词时间间隔作为训练观测值,细粒度的描述协议行为,扩大模型的训练样本空间。在DARPA 1999数据集上的实验结果表明,该方法具有很高的检测率和较低的误报率。     

基于TOF深度图像修复的输送带煤流检测方法

传统的带式输送机煤流检测装置中,核子胶带秤存在一定安全和环保隐患,电子胶带秤检测精度易受输送带张力、刚度等因素的影响;而基于超声波、线激光条纹、双目视觉等技术的非接触式检测方法存在实时性差、测量误差较大等问题。提出了一种基于飞行时间(TOF)深度图像修复的输送带煤流检测方法。通过TOF相机获取输送带运煤图像;对TOF图像进行均衡化处理,采用帧差法和边界跟随算法去除背景噪声,获得感兴趣的煤料区域;针对TOF深度图像因边缘处存在飞行像素噪声与多径误差噪声而导致的边缘信息不准确问题,提出强度图像引导的深度图像修复算法,通过Canny边缘检测算法寻找深度图像和强度图像的相似边缘,基于强度图像的有效边缘信息对深度图像边缘处的不可靠数据进行校正,并进一步基于Navier-Stokes方程和中值滤波器得到高精度深度图像;对煤料区域进行像素级分割,并建立煤料体积计算模型,结合输送带速度得出输送带煤流。实验结果表明,该方法的检测误差不超过3.78%,标准差不超过0.491,平均处理时间为83 ms,满足实际生产要求。