基于不重叠路径熵的网络抗毁性评估方法

通过引入熵的概念,提出了基于不重叠路径数的标准稳定熵指标,用于刻画节点间抗毁性随不重叠路径数变化的规律.在此基础上给出了用于全网抗毁性评估的模型.同时指出了评价模型中涉及的节点间不重叠路径数的计算方法.最后通过算例分析以及与最短路径法相比较,论证了基于不重叠路径熵的模型在网络抗毁性评估方面具有更高的准确性与合理性.     

语言模型复杂度度量与汉语熵的估算

运用信息论理论，从信息熵的角度对统计语言模型的复杂度度量方法进行了定量化的推理与描述，得出了语言模型对语言熵的估算值越小，说明该模型对语言的描述越精确以及两个n-1元文法模型插值形成的新模型，其性能好于n-1元文法模型，但不及n元文法模型的结论．并对应用语言模型估算汉语信息熵的方法进行了探讨．     

多分辨率奇异谱熵及其在振动信号监测中的应用研究􀀂

在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合,提出了多分辨率奇异谱熵及其算法,该指标能够表征不同尺度上信号能量分布的奇异状况.进一步,针对奇异谱分析是基于信号二阶平稳的假设,本文提出了基于高阶累积量的高阶多分辨率奇异谱熵,它能够充分体现信号的内在信息,提高了信号形式变化的适应性和对于嵌入维数变化的稳定性.通过对机械振动信号的仿真分析,该信息熵能够作为设备运行状态识别的有效依据.     

基于粒度决策熵的属性约简

近年来,人们越来越关注粗糙集中的属性约简算法,尤其是启发式的约简算法。为了度量属性重要度,人们把各种不同的信息熵模型应用到粗糙集中,同时在信息熵这一理论的基础上得出了许多约简算法,用来解决粗糙集中属性约简的问题。然而,现有的基于信息熵的方法还存在一系列问题。针对这些问题,本文首先将知识粒度与相对决策熵这2个概念结合在一起,从而引入一种新的信息熵模型--粒度决策熵;然后,利用粒度决策熵来度量属性的重要性,并由此得出新的约简算法--ARGDE约简算法;最后,用不同的UCI数据集来做实验,通过与已有的约简算法比较,该算法能够得到更好的实验结果。     

基于动态时间规整和隐马尔可夫统一模型的无端点检测的汉语识别算法

根据汉语语音的特点，提出了一种无端点检测的语音识别算法。在识别过程中，该算法无需确定语音信号起止点位置，而是从寂静段开始，直接按帧提取特征（帧长２０ｍｓ，帧间重叠５０％），特征向量由１５阶倒谱系数和帧平均能量组成。在动态时间规整（ＤＴＷ）和隐马尔可夫（ＨＭＭ）统一模型（ＤＨＵＭ）中，引进寂静段自环，并用ＤＨＵＭ实现了该算法。对９９个相似汉语单字的识别实验表明：无端点检测的识别器正识率为９４．９５％，正识率下降很少，但不作端点检测却降低了算法的复杂程度。该算法中，若特征向量采用一种听觉模型特征，识别器具有更好的鲁棒性，识别率会略有提高。     

信息熵在软件领域中的应用研究现状

本文介绍了软件领域中的各种熵的基本概念及其应用,系统地归纳总结了信息熵在软件领域中的国内外研究现状,发现图像处理、模式识别与工人智能、网络与信息安全、数据挖掘等是信息熵的几个热点应用领域,最后指出用信息熵理论和方法研究软件项目管理是一个值得深入探索的问题.     

语音识别中广义模型及其算法收敛性分析

语音识别中,动态时间规整（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ,简称ＤＴＷ）和隐马尔可夫模型（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ,简称 ＨＭＭ）是最有效的两种识别算法,并且 ＤＴＷ和 ＨＭＭ在本质上是一致的~［１］。根据 ＤＴＷ和 ＨＭＭ的本质联系和各自所对应的声学模型,在前期工作中建立了一种广义声学模型 ~［２］［３］（Ｇｅｎｅｒａｌ Ｍｏｄｅｌ,简称 ＧＭ）,并指出 ＤＴＷ和ＨＭＭ 只是 ＧＭ的特例,且 ＤＴＷ和 ＨＭＭ都可以转化为 ＧＭ。并在此基础上,首次将 Ｆｉｓｈｅｒ算法~［４］引进ＧＭ的学习算法,确保了ＧＭ状态分割的收敛性,并且这种分割在最小离差意义上是全局精确最优的。最后,从大数定理的角度出发,对 ＧＭ算法的收敛性进行了分析, 从理论上论证了该算法的依概率收敛性,并为实际应用中 ＧＭ算法的有效性提供了理论依据。     

基于信息测度的勾股模糊决策模型及其应用

相对于直觉模糊集，勾股模糊集能够更为全面和有效地表达描述复杂问题中的不确定和非一致信息，使其受到了广泛研究。对于属性评价值为勾股模糊数并且属性指标权重信息数据完全未知的多属性决策问题，以提出的勾股模糊信息测度为基础，设计了新的多属性决策模型。该模型运用对数函数设计了一种新的勾股模糊数信息熵计算方法；引入了勾股模糊相似度概念，并结合对数行数提出勾股模糊数相似度的衡量方法，随后挖掘出勾股模糊数的信息熵和相似度之间的内在联系；运用提出的勾股模糊熵和相似度计算方法，构建新的多属性决策模型，并进行应用研究。实验结果表明，提出的模型合理有效，同时拓展了模型的使用范围。     

基于字统计语言模型的汉语语音识别研究

隐马尔可夫模型（ＨＭＭ）由于较好地描述了语音的特性,在语音识别的研究中占主导地位,基于ＨＭＭ的识别算法也因取得了较好的识别效果而得到广泛应用．但其仅仅依靠语音信号的声学模型来进行识别处理,因此存在着不能利用语言的非声学知识进行识别的固有缺陷．该文提出的新方法将基于Ｎ元文法（Ｎ－ｇｒａｍ）的统计语言模型应用于汉语语音识别,推导了模型多数的估值公式,并给出了模型的训练和识别算法．初步实验表明：引入统计语言模型有利于降低识别难度和改善语音识别性能．     

遗传算法染色体模式的收敛性和熵判据

该文对遗传算法迭代过程染色体模式和信息结构作了研究。提出了基于种群染色体模式与最优染色体模式距离状态空间的概念，并给出其概率分布定义和状态信息熵。证明了算法迭代过程的收敛性与模式距离状态熵的关系，得到算法收敛性的熵判据。熵判据基于统计特征值，在实际应用上具有可操作性，最后对算例进行了验证。     

基于免疫聚类与HMM的时序信息系统决策

本文针对时间序列数据的符号化问题，提出采用免疫聚类算法处理多维时间序列的符号化，利用克隆选择原理，生成能充分反映数据真实分布的记忆抗体作为符号集合. 时间序列信息系统中的决策问题的关键是有效地挖掘历史数据中包含的时序信息. 本文提出了一种改进的隐马尔科夫模型，运用最大熵原理对模型进行训练，求取熵最大化的概率分布，并将其应用于时序信息系统的决策. 通过实验验证了其有效性．     

Audio–Visual Affective Expression Recognition Through Multistream Fused HMM

Advances in computer processing power and emerging algorithms are allowing new ways of envisioning human-computer interaction. Although the benefit of audio-visual fusion is expected for affect recognition from the psychological and engineering perspectives, most of existing approaches to automatic human affect analysis are unimodal: information processed by computer system is limited to either face images or the speech signals. This paper focuses on the development of a computing algorithm that uses both audio and visual sensors to detect and track a user's affective state to aid computer decision making. Using our multistream fused hidden Markov model (MFHMM), we analyzed coupled audio and visual streams to detect four cognitive states (interest, boredom, frustration and puzzlement) and seven prototypical emotions (neural, happiness, sadness, anger, disgust, fear and surprise). The MFHMM allows the building of an optimal connection among multiple streams according to the maximum entropy principle and the maximum mutual information criterion. Person-independent experimental results from 20 subjects in 660 sequences show that the MFHMM approach outperforms face-only HMM, pitch-only HMM, energy-only HMM, and independent HMM fusion, under clean and varying audio channel noise condition.     

基于HMM模型的语音单元边界的自动切分

基于隐尔马可夫模型（HMM）的强制对齐方法被用于文语转换系统（TTS）语音单元边界切分.为提高切分准确性,本文对HMM模型的特征选择,模型参数和模型聚类进行优化.实验表明：12维静态Mel频率倒谱系数（MFCC）是最优的语音特征;HMM模型中的状态模型采用单高斯;对于特定说话人的HMM模型,使用分类与衰退树（CART）聚类生成的绑定状态模型个数在3 000左右最优.在英文语音库中音素边界切分的实验中,切分准确率从模型优化前的77.3%提高到85.4%.     

基于多尺度特征的双层隐马尔可夫模型及其在行为识别中的应用

借鉴人类视觉感知所具有的多尺度、多分辨性的特性,针对智能视频监控系统的人体运动行为识别,提出了一种基于多尺度特征的双层隐马尔可夫模型.根据人体行为关键姿态数确定HMM的状态数目,发掘人体运动行为隐藏的多尺度结构间的关系,将运动轨迹和人体姿态边缘小波矩2个不同尺度特征应用于2层HMM,提供更为丰富的行为尺度间的相关信息.分别用Weizmann人体行为数据库和自行拍摄的室内视频,对人体运动行为识别进行仿真实验,结果表明,五状态HMM模型更符合人体运动行为特点,基于多尺度特征的五状态双层隐马尔可夫模型具有较高的识别率.     

隐马尔可夫模型中一种新的帧相关建模方法

在使用传统的隐马尔可夫模型（traditional hidden Markov model,简称THMM）刻画现实中的语音时有一个明显的缺点,即THMM不能合适地表征语音信号的时域结构.时域上的相关性被认为对识别非常有用,因为相邻帧间的特征矢量具有很强的相关性.文章提出了一种新的方法,用以把时域的相关性糅合到一个基于传统的隐马尔可夫模型的语音识别系统中.首先,用条件概率的形式处理帧间相关性;然后,用一种非线性的概率近似公式来表征相邻帧之间的相关性.此方法丝毫不增加原来的THMM的空间复杂度,而且也几乎不增     

在HMM中状态停留时间的模型化及不同特征参数的组合

在传统的隐马尔可夫模型中,模型在某状态停留一定时间的概率随着时间的增长呈指数下降的趋势。文中使用依赖于时间的状态转移概率对状态停留时间予以刻画。首先,在采用相同特征矢量下进行了修改后的隐马尔可夫模型和传统隐马尔可夫模型的比较和分析。其次,对不同特征矢量的组合进行了对比实验。另外,在进行不同参数的组合时,文中考虑了不同特征参数及其维数对观察矢量概率输出的影响。     

基于相对分类信息熵的进化特征选择算法*

针对离散值数据集特征选择问题,提出基于相对分类信息熵的进化特征选择算法.使用遗传算法搜索最优特征子集,使用相对分类信息熵度量特征子集的重要性.以相对分类信息熵作为适应度函数,使用二进制编码问题的解,使用赌轮方法选择产生下一代个体.实验表明文中算法在测试精度上优于其它方法,此外还从理论上证明文中算法的可行性.     

基于二阶隐马尔可夫模型的连续手语识别

在传统的一阶隐马尔可夫模型(HMM1)中,状态序列中的每一个状态被假设只与前一个状态有关,这样虽然可以简单、有效地推导出模型的学习和识别算法,但也丢失了许多从上文传递下来的信息.因此,在传统一阶隐马尔可夫模型的基础上,为了解决手语识别困难、正确率低的问题,提出了一种基于二阶隐马尔可夫模型(HMM2)的连续手语识别方法....     

基于改进粒子群算法的隐马尔可夫模型训练

针对隐马尔可夫模型传统训练算法易收敛于局部极值的问题,提出一种带极值扰动的自适应调整惯性权重和加速系数的粒子群算法,将改进后的粒子群优化算法引入到隐马尔可夫模型的训练中,分别对隐马尔可夫模型的状态数与参数进优化.通过对手写数字识别的实验说明,提出的基于改进粒子群优化算法的隐马尔可夫模型训练算法与传统隐马尔可夫模型训练算法Baum-Welch算法相比,能有效地跳出局部极值,从而使训练后的隐马尔可夫模型具有较高的识别能力.     

基于隐马尔可夫模型的Web信息抽取

针对Web信息抽取领域中存在的“项缺失”和“项无序”问题,提出一种基于隐马尔可夫模型的Web信息抽取方法。将Web文档解析为一棵扩展的DOM树,映射待抽取的信息项为状态,映射待抽取的信息项在扩展DOM树中的路径为词汇,使用归纳算法构造隐马尔可夫模型。实验结果证明该方法可以获得更好的抽取性能。