基于隐马尔可夫模型的软件状态评估预测方法

随着软件系统功能和性能的强化和提高,企业的管理效率在不断提升,运营模式也越来越丰富.与此同时,软件系统变得越来越复杂,这向软件系统管理和维护提出了严峻的挑战.如何通过采集系统外部特征参数,对系统内部状态进行客观、准确地评估和预测,成为亟待解决的问题.为此,提出了一种基于隐马尔可夫模型的软件系统状态评估预测方法.该方法基于软件系统外在特征参数,通过K-means方法构建系统的观测状态,并以此建立隐马尔可夫模型,建立起系统外在状态（观测状态）和内部状态（隐藏状态）之间的联系;再利用三次指数平滑法对具有周期性变化的系统特征参数进行预测,即可预测系统未来状态.针对基于B/S软件架构的信息管理系统的实验,其结果表明该方法对系统状态评估和预测具有较高的准确性.     

隐马尔可夫模型在信息工程质量监理中的应用

基于隐马尔可夫模型HMM提出了一种新的信息工程监理质量控制方法,并建立了模型.该模型将信息工程质量监理过程视为两层随机过程,通过抽取监理过程的特征,将隐马尔可夫模型的5个要素与质量监理过程相对应.利用该模型可以求解质量度量要素观测序列和质量状态的匹配度,通过调整模型的初始参数可以将该模型应用于不同的监理软件,并以概率的形式预测监理过程的结果.通过仿真实验,验证了该方法应用于信息工程监理质量控制的可行性.     

基于加权观测的隐马尔可夫模型

针对隐马尔可夫模型无法融合分类结果权值的问题,文中提出加权观测隐马尔可夫模型(WOHMM),并给出模型中概率计算、参数学习、序列标注三个基本问题的解决算法.使用公开数据集对参数学习和序列标注问题进行仿真实验,结果表明,WOHMM的参数学习算法能得到更接近真实值的模型参数,序列标注算法的效果较优.     

基于HMM的开关电源故障预测方法研究

故障预测技术在提高设备的安全性、减少生命周期费用和提高维修保障效率等方面发挥了重要作用;采用隐马尔可夫模型(HMM)的故障预测方法,解决了Buck型开关电源的故障预测问题;详细分析了开关电源健康退化过程,并选择输出纹波电压、电感电流和输出功率作为监测参数;利用各个状态的样本序列来训练HMM,然后利用该模型对待测信号的观测序列进行测试,从而获得待测信号的似然概率,预测设备当前所在状态;实验结果表明,该方法可以准确地对开关电源进行故障预测。     

一种基于非参数贝叶斯估计的PHMM模型

传统时间序列模型很少从时间序列系统本身角度分析时间序列数据.目前,一种基于模式的隐马尔科夫模型(PHMM)实现了对时序数据系统的内部状态转换机制的建模,从而在时间序列的多步预测和相关性检测上提供了一种高效途径.然而,PHM M模型在考虑隐状态内部观测数据分布时,直接采用高斯分布进行估计的方法受训练数据影响较大.因此,提出一种利用非参数贝叶斯估计来计算模型隐状态内分布的方法.考虑到与固定状态集的隐马科夫模型不同,PHMM模型是一种无限状态隐马尔科夫模型,通过引入非参数HDP过程实现对PHMM模型两层随机过程的解释.实验结果证明,引入非参数估计后模型的预测效率显著提升.     

基于混合二阶隐马尔可夫模型的基因结构预测

在基因预测时,待研究的生物序列中的残基(氨基酸或核甘酸)具有高度的相关性,因此,观测噪声和马尔可夫链不相互独立的条件下的混合隐马尔可夫模型比普通隐马尔可夫模型更适用于基因预测功能.介绍了一种基于混合二阶隐马尔可夫模型(HMM2)的基因识别系统,该系统的预测精度在在核苷酸和外显子水平上均与国外同类研究水平相当.     

基于隐马尔可夫模型在股票择时上的应用与研究

隐马尔可夫模型(HMM)是由马尔可夫过程衍生出的概率图模型,常被用于语音模式识别、生物基因序列标记、金融时间序列预测等.主要是验证隐马尔可夫模型在量化金融领域的应用可行性.选取上证指数(上海证券交易所全部上市股票,包括A股和B股,反映了上海证券交易所上市股票价格的变动情况),指数在2000年到2004年这个时间段的数据并进行特征选取,通过实验对隐马尔可夫模型的预测结果与实际结果进行对比,发现隐马尔可夫模型能够更好地识别金融市场的状态,预测金融市场的走向,从而验证其在我国金融市场的应用可行性.     

基于RBF神经网络的非线性时间序列在线预测

针对非线性非高斯时间序列, 提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络(RBF-HMM)预测模型, 其特点在于模型输入包含误差反馈项、RBF网络隐含层节点数的可变性和观测噪声的隐马尔可夫性; 并采用序列蒙特卡罗(SMC)方法实现基于RBF-HMM模型的时间序列在线预测. 最后采用太阳黑子数平滑月均值数据和CRU国际钢材价格指数月数据进行实证研究, 结果表明该模型的有效性.     

基于隐半马尔可夫模型的用户兴趣特征提取

针对网络用户兴趣行为特征的抽取,提出了一种基于隐半马尔可夫模型的用户兴趣特征提取模型,通过用状态驻留时间的概率来控制用户浏览行为,使描述兴趣特征的隐状态和时间的相关性更紧密地结合起来,并且根据隐半马尔可夫模型可以产生多观察值序列的特性,把文本信息划分成多个文本块子区域,使每个子区域的特征和其中一个观察值序列对应起来。实验结果表明,利用隐半马尔可夫模型进行特征提取比HMM方法有更高的准确率和召回率。     

基于改进马尔可夫模型的启动子预测算法

本文实现了基于马尔可夫模型的启动子预测算法,结合隐马尔可夫模型中的前向算法,改进了基于马尔可夫理论的启动子预测方法,具体改进了碱基转移概率的算法和序列所在模型的概率。改进的马尔可夫模型的预测结果显示,以此模型建立的系统能更有效地识别数据集中的三种序列。     

Multi-aspect target discrimination using hidden Markov models and neural networks

This paper presents a new multi-aspect pattern classification method using hidden Markov models (HMMs). Models are defined for each class, with the probability found by each model determining class membership. Each HMM model is enhanced by the use of a multilayer perception (MLP) network to generate emission probabilities. This hybrid system uses the MLP to find the probability of a state for an unknown pattern and the HMM to model the process underlying the state transitions. A new batch gradient descent-based method is introduced for optimal estimation of the transition and emission probabilities. A prediction method in conjunction with HMM model is also presented that attempts to improve the computation of transition probabilities by using the previous states to predict the next state. This method exploits the correlation information between consecutive aspects. These algorithms are then implemented and benchmarked on a multi-aspect underwater target classification problem using a realistic sonar data set collected in different bottom conditions.     

一种基于HMM的场景识别方法

隐马尔科夫模型作为一种统计分析模型,能够通过观测向量序列计算其隐含状态的概率分布密度。提出一种智能空间中基于HMM的场景识别方法,该方法指定系统相关情境信息,确定隐含场景集和观察情境集,采用部分相关情境信息而非全部情境信息作为场景特征参与场景识别,利用HMM对隐含场景间的关系进行建模,设计了基于HMM的场景识别算法。实验结果表明,采用基于HMM的场景识别方法能够获得较高的识别效率。     

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.     

基于隐马尔可夫模型的非侵入式负荷监测泛化性能改进

隐马尔可夫模型(HMM)是非侵入式负荷监测常用的算法.由于电压波动与负荷自身电气特性变化等原因,负荷的测量状态如功率可能持续变化,运行过程中出现新的状态转移,但当前基于HMM的非侵入式负荷监测方法并未考虑如何处理该情况,缺乏状态辨识与功率分解的泛化能力.针对这一问题,本文提出并构建二元参数隐马尔科夫模型(BPHMM),结合DBSCAN聚类算法,基于有功功率和稳态电流对负荷状态进行聚类,降低了因电压波动和噪声数据对负荷状态聚类结果造成干扰的可能性;改进维特比算法使其考虑到HMM模型参数更新以实现对负荷状态预测泛化性能的改进;考虑到功率的随机波动性,基于极大似然估计原理构建功率计算优化模型并实现负荷的功率分解.本文采用公共数据集AMPds2对所述方法进行验证,测试算例验证了所述方法的有效性.     

基于隐马尔可夫模型的能量参数预测量化算法

为了充分利用能量与线性预测编码(Linear prediction coding,LPC)系数之间的相关性,提高能量参数量化效率,提出了一种基于隐马尔可夫模型(Hidden Markov model,HMM)的能量参数预测量化算法.通过适当假设,使用HMM模拟能量参数和LPC系数之间的相关性,其中离散化后的能量参数组成隐状态序列,量化后的LPC系数组成可现测序列.然后利用HMM预测每一超帧中的能量参数的变化轨迹,并根据预测出的能量轨迹对预测残差进行分模式矢量量化(Mode-based vector quantization,MBQ).仿真实验中能量参数量化后的平均失真为2.668 dB,与线性预测量化算法相比下降了14.O%,表明本文算法通过利用能量参数与LPC系数的相关性,能够有效地提高能量参数量化效率.     

基于系统调用的混合HMM/MLP异常检测模型

首先描述了基于隐马尔可夫模型(HMM)的异常检测方法并指出其缺点．然后提出了一种将多层感知机(MLP)用作HMM的概率估计器的方法,以克服HMM方法的不足．最后建立了一个基于系统调用的混合HMM/MLP异常检测模型,并给出了该模型的训练和检测算法．实验结果表明,该混合系统的漏报率和误报率都低于HMM方法．     

隐马尔可夫模型的一种有区分力的反向传播训练方法

研究隐马尔可夫模型(HMM)的一种有区分力的训练方法.在多层前向神经网络的 框架中实现了HMM的前向概率计算.基于这一框架,利用偏导数的反向传播计算方法,通 过梯度上升的优化过程来实现互信息的最大化,从而对HMM进行有区分力的训练.这一 训练方法被称之为HMM的反向传播训练方法.此外,还设计了一个用以实现这一训练方 法的在数值计算上具有强鲁棒性的算法.语音识别的实验结果证实了这一训练方法的优越 性.     

Modeling default risk via a hidden Markov model of multiple sequences

Default risk in commercial lending is one of the major concerns of the creditors. In this article, we introduce a new hidden Markov model (HMM) with multiple observable sequences (MHMM), assuming that all the observable sequences are driven by a common hidden sequence, and utilize it to analyze default data in a network of sectors. Efficient estimation method is then adopted to estimate the model parameters. To further illustrate the advantages of MHMM, we compare the hidden risk state process obtained by MHMM with that from the traditional HMMs using credit default data. We then consider two applications of our MHMM. The calculation of two important risk measures: Value-at-risk (VaR) and expected shortfall (ES) and the prediction of global risk state. We first compare the performance of MHMM and HMM in the calculation of VaR and ES in a portfolio of default-prone bonds. A logistic regression model is then considered for the prediction of global economic risk using our MHMM with default data. Numerical results indicate our model is effective for both applications.     

Runtime monitoring and verification of systems with hidden information

This paper describes a technique for runtime monitoring (RM) and runtime verification (RV) of systems with invisible events and data artifacts. Our approach combines well-known hidden markov model (HMM) techniques for learning and subsequent identification of hidden artifacts, with runtime monitoring of probabilistic formal specifications. The proposed approach entails a process in which the end-user first develops and validates deterministic formal specification assertions, s/he then identifies hidden artifacts in those assertions. Those artifacts induce the state set of the identifying HMM. HMM parameters are learned using standard frequency analysis techniques. In the verification or monitoring phase, the system emits visible events and data symbols, used by the HMM to deduce invisible events and data symbols, and sequences thereof; both types of symbols are then used by a probabilistic formal specification assertion to monitor or verify the system.     

基于状态空间与概率空间映射的极大相似度匹配情感模型

机器人情感建模是研究情感机器人的热点问题。文中以情感心理学知识为基础,模拟具有不同个性的情感机器人在外界刺激作用下情感动态变化的过程,研究个性和外界刺激对情感转移过程的影响。采用基于状态空间的情感空间模型来描述机器人的情感状态,并用HMM过程来模拟情感状态的转移过程。但HMM过程只能求得当前情感状态的概率,为得到具体的情感状态,文中提出一种基于状态空间与概率空间映射的极大相似度匹配的情感转移模型。首先利用HMM过程计算出当前情感概率,然后通过极大相似度匹配来得到转移后具体的情感状态。通过调节模型参数来模拟不同个性和外界刺激,该模型能有效模拟情感状态变化过程。实验结果验证模型模拟的情感变化过程符合人类情感变化的一般规律。