基于状态持续时间的HMM语音识别模型

针对经典隐马尔可夫模型对状态持续时间的函数表达与实际语音的物理事实不相符合这一缺点,在通常隐马尔可夫的基础上引入状态持续时间参数,建立基于状态持续时间的HMM语音识别模型（SDHMM）,并用其进行语音识别实验,与经典隐马尔可夫模型相比,识别率有所提高。     

基于PCA和CHMM的音频自动分类*

针对DHMM分类器对音频特征进行向量量化引起的误差及特征维数过多导致计算复杂度过大的问题,提出了一种新的基于PCA和CHMM的音频自动分类方法。它先将音频特征组成一个高维向量,然后使用PCA对这些高维向量进行降维,再使用CHMM分类器对降维后的特征进行分类。实验证明了PCA和CHMM音频分类的有效性。     

基于隐马尔可夫模型的音频自动分类

音频的自动分类,尤其是语音和音乐的分类,是提取音频结构和内容语义的重要手段之一,它在基于内容的音频检索、视频的检索和摘要以及语音文档检索等领域都有重大的应用价值.由于隐马尔可夫模型能够很好地刻画音频信号的时间统计特性,因此,提出一种基于隐马尔可夫模型的音频分类算法,用于语音、音乐以及它们的混合声音的分类.实验结果表明,隐马尔可夫模型的音频分类性能较好,最优分类精度达到90.28%.     

基于HMM的设备故障预测方法研究

故障预测是设备实施基于状态维修的1个重要内容,是实现真正意义上精确维修的前提和基础。隐马尔可夫模型（HMM）作为1种统计分析算法,在设备的故障诊断中获得了成功应用。但对于故障的预测,传统隐马尔可夫模型存在很多缺陷,因此研究相关的改进算法,构建了基于隐马尔可夫的故障诊断和预测框架,使设备的故障诊断和预测能够同时进行。最后通过对滚动轴承实测数据的仿真验证,表明该算法具有较高的故障识别率并且对设备的剩余寿命能进行有效的预测。     

面向新闻视频内容分析的音频分层分类算法*

提出了一种规则和隐马尔可夫模型相结合的音频分层分类算法,首先利用规则将新闻节目中的音频分为静音、语音和音乐三类,然后采用隐马尔可夫模型进一步将语音和音乐细分为男主持人语音、女主持人语音、交替报道、独白语音、现场语音和音乐六类。实验结果表明,男主持人语音、女主持人语音以及音乐的分类效果最好,查准率和查全率均可达90％以上;交替报道的分类性能最差,查准率为57.5％,查全率为79.3％;其他类别的分类性能居中,在70%～90％左右。与同类算法相比,该算法分类性能较高。     

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。     

基于线性分段与HMM的时间序列分类算法

抽象出时间序列的多段线性特征,并提出一种时间序列分类算法.该算法包括3个模块:导数估值函数,线性分段方法,DDHMM模型(基于HMM).首先,利用导数估值函数与线性分段方法检测多段线性特征,若满足多线段特征,则将时间序列转化为特定结构的观察值序列;然后,利用训练观察值序列训练DDHMM模型,通过比较各模型产生测试观察值序列的概率值进行分类.实验表明,针对满足多段线性特征的时间序列,该算法具有较高的分类精度,应用在UCI数据集和实际工程中,分类效果好.     

基于HMM的机载设备状态健康评估方法研究

针对机载设备的状态健康评估问题,采用隐马尔科夫模型(HMM)对其进行性能退化程度的评估;首先引入状态条件概率矢量对HMM进行不确定性改进,并推导了其表达式;其次以状态条件概率比值为基础,给出了机载设备状态等级量化分值的计算方法,并据此设计了机载设备状态健康评估流程;最后以飞机发动机温控放大器为例进行仿真验证,结果表明上述方法能够给出直观、准确的状态评估结果.     

基于音频分析的视频场景检测

目前场景检测的研究,主要是基于图像和视频。但音频同样具有丰富的场景信息,基于音频分析的计算量是比较少的,对自动或者半自动的场景检测,基于音频分析的方法也是更为让用户接受的。可以把基于音频分析的方法作为视频场景检测的辅助手段,以获得更为准确的场景检测和分割。该文提出了一个基于内容的音频分析系统,对视频序列实现基于音频分析的场景检测和分割。该系统能有效的解决许多诸如图像变化了,而实际场景并未变化的情形。且本系统整体运算复杂度较基于视频／图像的场景检测与分割系统要低。     

基于音频信号的轴承故障诊断方法

介绍了一种基于隐马尔可夫模型的轴承故障音频信号诊断方法。通过对轴承音频信号的 Mel 频率倒谱系数特征提取,分别采用离散 HMM 和连续高斯混合密度 HMM 两种方法进行建模与诊断研究。与 CGHMM 方法相比,DHMM 方法运算速度快,但诊断精度低。而从总体上来看,两种方法都具有运算速度快,诊断精度高的优点。结果表明,本文方法具有很好的应用前景。     

基于Multi-stream Combined隐马尔柯夫模型源端检测DDoS攻击

提出了一种新颖的综合考虑多维观测特征的DDoS攻击源端检测方法。该方法引入S-D-P特征概念,并抽取TCP/IP包头中的标志位和ID字段构成多维观测特征,采用Multi-stream Combined隐马尔可夫模型（MC-HMM）在源端网络检测DDoS攻击。大量实验表明,MC-HMM方法克服了基于一维观测特征的检测算法信息量过小的固有缺陷,能够有效降低检测的误报率和漏报率,提高DDoS攻击源端检测精度。     

SVM和HMM混合模型在人脸识别中的应用

采用支持向量机（SVM）和隐马尔可夫模型（HMM）相结合的方法进行人脸识别。首先对照片中的人脸进行定位,从定位区域提取人脸各个器官的独立基特征,然后使用支持向量机和隐马尔可夫混合模型对定位区域进行人脸识别。利用SVM和HMM结合的优点,取得较高的识别率。     

基于双线性建模及隐马尔可夫模型的步态识别算法

针对存在两个未知隐含特性的步态识别问题提出了一种新的识别算法,将特性分别看作“内容”和“风格”,对图像序列以状态确定的连续HMM EM估计“内容”类型,引入非对称双线性模型理论对结果建模,通过SVD和NN聚类实现对“风格”的归类判定。实验选择人体两侧轮廓到质心垂线距离作为步态特征,通过在CASIA步态库上的实验证明,该算法能有效提高判别率,对未知风格或内容类型判断有较好的适应性。同时对影响步态识别准确性的其他因素也做了讨论。     

基于隐Markov模型的文本分类

把基于序列模型的隐Markov模型引入文本分类领域。把待分类文本描述成一系列状态演化的隐Markov过程,其中状态以特定的概率产生代表文本的特征项。用序列模式来描述文本类,文本序列通过与隐Markov模型的匹配,求出其对应状态序列和最大输出概率。比较各个文本类的结果,达到文本分类的目的。最后通过和简单向量算法,KNN,Naive Bayes分类算法的比较,说明本算法的在文本分类中的成功应用。     

基于自编码器和隐马尔可夫模型的时间序列异常检测方法

针对已有基于隐马尔可夫模型(HMM)的时间序列异常检测模型的符号化方法不能很好地表征原始时间序列的问题,提出了一种基于自编码器和HMM的时间序列异常检测方法(AHMM-AD)。首先,通过滑动窗口对时间序列样本进行分段,按照分段位置形成若干时间序列分段样本集,由正常时间序列上不同位置的分段样本集训练各个分段的自编码器;然后,利用自编码器得到每个分段时间序列样本的低维特征表示,通过对低维特征表示向量集的K-means聚类处理,实现时间序列样本集的符号化;最后,由正常时间序列的符号序列集生成HMM,根据待测样本在已建HMM上的输出概率值进行异常检测。在多个公共基准数据集上的实验结果显示,AHMM-AD比已有的基于HMM的时间序列异常检测模型在精确度、召回率和F1值分别平均提高了0.172、0.477、0.313,比基于autoencoder的时间序列异常检测模型,在这三方面分别平均提高了0.108、0.450、0.319。实验结果表明,AHMM-AD方法能够提取时间序列中的非线性特征,解决已有HMM建模时间序列符号化过程中不能很好表征时间序列的问题,并在时间序列异常检测性能上也有显著提升。     

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。     

基于段匹配差异观察值的HMM在线签名认证方法研究

提出一种用签名的分段差异值作为隐马尔可夫模型(HMM)观测值的在线签名认证应用方法。首先,采用双向后向合并DTW算法确定签名中关键点之间的对应关系。然后,采用经典DTW度量签名中各种细微的差异,用这些DTW差异值作为观测值训练HMM模型。将模型状态的意义定义为相似程度,将状态转移结构设定为全概率转移。在SVC2004签名数据库上,验证了该方法的有效性。     

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。