基于轮廓特征的HMM手写数字识别

在手写数字识别中,边界链码和环构成了对字符轮廓的完整描述。针对手写数字的特点,建了24种笔划。首先将样本边界链码转化成由24个笔划组成的特征值,再加上环特征,构成整个特征值。然后利用隐马尔可夫模型（HMM）对提取的特征值进行分类识别。首次将字符轮廓特征应用在基于HMM的手写数字识别中,在识别MNIST字库上,取得了92.2%的识别率。     

HMM方法识别脱机手写汉字

本文提出了一种在隐含马尔可夫模型(HMM)框架下建立的识别脱机手写汉字的方法,介绍了以HMM对脱机手写汉字进行建模、识别的整个过程,并给出了实验结果对国标一级3755个汉字的识别率,在两种测试集上分别达到96.4%和91.5%.     

基于聚类的HMM算法及其在NIDS中的应用

本文提出根据正常-异常序列模式异常来定义紧急级别的新概念，将隐马尔可夫模型引入到网络入侵检测系统中检测正常-异常序列中的模式异常。并针对直接对检测数据进行HMM训练和检测。存在计算量很大的问题。提出了采用先聚类降低状态维数，然后采用HMM的方法进行NIDS检测的方法。实验证明其有效性。     

HMM模型在语音识别研究中的应用

语音识别是人工智能最基础性课题,该课题研究者通过对隐马尔可夫模型这一数学模型的扩领域应用,解决了声学、语言学、句法等统计知识相关性问题。文章系统阐述了隐马尔可夫模型原理以及在语音识别中的应用过程,从而为更多研究者了解和认识。     

基于最佳鉴别变换的HMM手写数字字符识别

基于隐马尔可夫模型(HMM)的手写字符识别方法是近年来的一个研究热点，针对HMM编码稳定性：郁建模过程复杂的问题，提出了一种新方法，即采用统计不相关最佳鉴别变换对模式进行特征抽取和降维，获得最佳鉴别特征向量．并在此基础上对各最佳鉴别方向的投影结果进行编码，作为HMM的观测值序列．由于统计不相关最佳鉴别变换保证了变换特征向量集类内散布最小．类间散布最大的条件，使HMM编码的稳定性和模式的可分性得到明显改善，通过对美国国家邮政局USPS手写字库的识别实验证实了该算法的准确性和鲁棒性。     

用于脱机手写数字识别的隐马尔可夫模型

将隐马尔可夫模型(HMM)用于脱机手写数字识别中，系统如何建模是一个值得研究的问题．在考虑手写数字自身特点及特征抽取的基础上，对HMM模型的训练方法及模型参数的选取进行了研究，以提高系统识别率．在银行票据OCR的应用中，与基于神经网络的方法结合使用，使得整张票据的拒识率降低了3％，明显提高了银行票据OCR系统的性能．     

手写数字识别中的Gabor参数优化设计

提出一种多分辨率Gabor滤波器组的参数优化设计方法,该方法通过分析在小波框架下的频率和带宽的相邻关系,推导滤波器组的参数构成,以尽可能少的滤波器覆盖尽可能大的信号频率空间;并采用两级、多通道2D Gabor滤波器组进行数字图像特征抽取,然后结合多类SVM分类器进行分类识别.对MNIST手写数字图像的识别实验表明：在小样本情况下,该方法具有很强的特征抽取能力和较高的识别率.     

一种基于HMM的维吾尔文联机手写识别的方法

在维吾尔文联机手写识别过程的训练阶段,单词被切分成字母,经过特征提取和聚类形成特征向量作为模型的输入。构造出以字符为基元的隐马尔可夫模型（HMM）,将其嵌入到识别字典网络中。通过基于HMM的分类识别器,最终得到识别结果。首次将消除延迟笔画、建立有延迟笔画和无延迟笔画的字典的方法应用于维吾尔文手写识别中,取得了较高的识别率。     

基于HMM2的时间序列凝聚聚类算法

为弥补传统的基于隐M arkov模型在前提假设上的不足,提出了二阶隐马尔可夫模型。在研究二阶隐马尔可夫模型和凝聚算法在时空序列分析的基础上,提出了一种新的基于 HMM2的时间序列凝聚算法。该算法应用 HMM2对时间序列进行建模,合理考虑了概率和模型历史状态的关联性,按照相异度原则将序列聚成几个类,每个类用模型代表,进而对这些模型训练、合并及迭代得到聚类结果。实验比较了该算法与基于HMM算法的聚类质量,研究了聚类正确率与聚类数、距离正确率与模型距离的关系。结果表明,该算法比传统的基于HMM的聚类算法具有更好的性能。     

基于多分类器DS融合的手写数字识别模型设计

针对单分类器对数字字符的不均衡识别问题,提出了基于Dempster and Shagfer(DS)融合的集成分类器模型,选取BP神经网络、Hopfield、模板匹配作为三个被集成的分类器,利用各分类器的识别结果来构造DS的概率分配函数,再通过DS融合输出最终结果,最后设计MATLAB程序进行实验,测试结果表明系统的整体识别率相对于单分类器和简单多数表决融合的多分类器,有更进一步的提高。     

Ensemble of HMM classifiers based on the clustering validity index for a handwritten numeral recognizer

A new scheme for the optimization of codebook sizes for Hidden Markov Models (HMMs) and the generation of HMM ensembles is proposed in this paper. In a discrete HMM, the vector quantization procedure and the generated codebook are associated with performance degradation. By using a selected clustering validity index, we show that the optimization of HMM codebook size can be selected without training HMM classifiers. Moreover, the proposed scheme yields multiple optimized HMM classifiers, and each individual HMM is based on a different codebook size. By using these to construct an ensemble of HMM classifiers, this scheme can compensate for the degradation of a discrete HMM.

HMM模型在检测复杂网络攻击中的应用

对于隐蔽性强、持续时间长且分步完成的复杂网络攻击,现有的入侵检测技术仍无法有效地进行识别。详细地分析了复杂网络攻击的特征,并在此基础上建立了复杂网络攻击的HMM检测模型。通过关联分析不同网络监视器的报警事件,产生用于HMM模型训练及检测的报警序列,这些报警序列本质上反映了攻击者的行为。实验结果表明,该模型能较好地检测复杂网络攻击。     

基于支持向量机的手写体数字识别系统设计

数字识别是光学字符识别技术里发展比较早的一种技术,是OCR的一个分支。数字识别又分为手写数字识别和非手写数字识别,提到的手写数字识别是指脱机手写数字识别。支持向量机是近几年来模式识别领域中的一个新技术,它被广泛应用到文字识别、人脸识别等应用中,是模式识别领域中的研究热点,把支持向量机技术应用到手写数字识别系统中,以期提高识别系统的性能。     

说话人识别及其应用的研究

虽然理论上隐马尔可夫模型（HMM）是较为有效的一种说话人识别方法，但传统的模型训练方法──Baum－Welch算法不仅运算量和存储量较大，而且若因经验不足、模型初值设置不当会导致算法发散或迭代收敛到非全局最优点。本文提出一种新的方法，将状态分割、动态聚类、模糊统计与传统的Baum－Welch算法相结合应用于说话人识别，既降低了运算量和存储量，又避免了因初值设置不当而导致算法迭代收敛到非全局最优点。本文在大量实验的基础上，建立了说话人识别系统并进行了实验研究，收到了良好的效果。该系统模型数目少，运算复杂度低，可扩充性强，易于训练，便于识别，具有广阔的应用前景。     

Evaluation of incremental learning algorithms for HMM in the recognition of alphanumeric characters

We present an evaluation of incremental learning algorithms for the estimation of hidden Markov model (HMM) parameters. The main goal is to investigate incremental learning algorithms that can provide as good performances as traditional batch learning techniques, but incorporating the advantages of incremental learning for designing complex pattern recognition systems. Experiments on handwritten characters have shown that a proposed variant of the ensemble training algorithm, employing ensembles of HMMs, can lead to very promising performances. Furthermore, the use of a validation dataset demonstrated that it is possible to reach better performances than the ones presented by batch learning.     

HMM参数估计的Gibbs抽样算法

隐马氏模型（HMM）的参数估计是隐马氏模型各种应用的关键。经典的Baum-Welch算法容易陷入局部最优,对初始参数的要求苛刻。HMM参数估计的Gibbs抽样法,充分利用模型先验信息,借助马氏链蒙特卡洛方法（MCMC）的强大计算功能,避免了陷入局部最优,有更好的效果。     

隐马尔可夫模型在自然语言理解研究中的应用

自然语言理解是人工智能最活跃的研究领域之一,同时也是目前前沿的课题之一.该领域的研究人员通过对隐马尔可夫模型这一数学模型的跨领域应用,解决了自然语言理解中的瓶颈问题.文章系统阐述了隐马尔可夫模型的原理以及在语音识别和词性标注方面应用的过程,从而为更多研究者了解和认识.     

隐马尔可夫后处理模型在视频人脸识别中的应用

现有的多数人脸识别系统都专注于如何提高人脸识别算法的性能,但缺乏一种对数据源(人脸样本)进行分析和评估的机制。针对此问题,提出了一种建立在数据源分析基础上对典型人脸识别算法进行后处理的方法。为了揭示现有典型识别算法的识别性能在无约束环境下的鲁棒性,通过建立Lambertian反射模型和3D人脸模型,对特征脸算法的识别性能随数据源的变化(人脸姿态和光照改变)而变化的情况进行了分析评估。针对“数据源灾难”问题,提出了一种基于隐马尔可夫模型（HMM）的后处理解决方法,该方法通过利用视频序列图像的连续性和对训练人脸库的统计分析来提高判别分析方法对无约束环境的鲁棒性。实验结果表明,该方法可以有效地提高识别算法对“数据源灾难”的鲁棒性,提高识别率。