HMM模型

摘要： 针对传统HMM模型存在的上下文信息获取困难、未登录词无法处理等问题,本文提出一种优化的HMM模型。优化后的模型充分考虑了上下文的语义联系和依赖关系,采用Bi-gram指数线性插值算法,消除零概率事件,并对未登录词进行处理。使用改进的Viterbi算法求解最可能的状态序列并输出结果,提高模型的识别效果。使用简历数据集和CCKS2017电子病历数据集进行模型对比验证,实验结果表明,优化的HMM模型的实体识别效果优于传统的HMM模型,在CCKS2017电子病历数据集中的准确率和F1值分别达到91.61%和91.21%,提升了15.84%和11.78%;在简历数据集中的准确率和F1值分别达到91.29%和91.07%,提升了8.67%和6.88%。

摘要： 为实现危险驾驶识别,本文提出通过多摄像机的车牌与车辆特征信息融合的车辆轨迹跟踪,很好地完成多个摄像机网络间的车辆轨迹跟踪功能。将基于北斗定位的车辆轨迹跟踪与基于摄像机识别的车辆轨迹跟踪进行融合,结合高精地图后可以实现基于车道级的车辆轨迹判断,对重点需要识别的危险换道行为作出预测,结合摄像机识别判定验证,使得预测模型具备自学习特性,其自学习能力将准确率从83%提升至91%。

摘要： 网络安全态势数据趋于多样性、复杂性与分散性,而现有网络安全技术又无法满足高质量网络安全需求。针对上述问题,文章提出一种基于改进HMM的网络安全态势感知方法。首先,通过分析HMM模型特征,采用人工鱼群算法和GA算法对其初始聚类和模型参数进行了优化改进,避免了HMM模型陷入局部最优解;然后,基于改进HMM模型,构建了网络安全态势状态,并实现了网络安全态势感知方法;最后,通过在honeynet数据集上进行仿真,验证了提出方法的有效性。结果表明:基于改进HMM的网络安全态势感知方法可准确预测网络安全态势,相较于标准HMM预测模型和RBF预测模型,本研究模型预测准确率分别提高了42.85%和46.67%,具有一定的有效性和优越性,可用于实际网络安全态势感知预测。

摘要： 奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相,本研究提出一种融合高斯混合模型(Gaussian Mixture Model,GMM)和隐马尔科夫模型(Hidden Markov Model,HMM)的无监督学习奶牛步态时相识别算法GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号,通过卡尔曼滤波消除噪声,筛选并提取特征值,构建GMM-HMM模型,实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明,静立相识别的准确率、召回率和F_(1)分别为89.28%、90.95%和90.91%,连续步态中的站立相识别的准确率、召回率和F_(1)分别为91.55%、86.71%和89.06%,连续步态中的摆动相识别的准确率、召回率和F_(1)分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%,相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。

摘要： 为了排除噪声数据影响、提高人体行为识别的准确率,从分析图像处理技术入手,对图像进行预处理之后利用混合高斯模型提取背景图像,采用改进的帧间差分算法检测目标,利用改进的k-均值算法提取图像特征,基于已获得的图像数据采用改进的HSMM模型实现人体行为识别。通过KTH人体行为数据库的实例数据验证所提出的构建模型的平均识别率高达97.5%,具有良好的检测效果,为人体行为识别提供了智能化检测手段。

摘要： 基于KNN-HMM的智能手语翻译系统采用数据手套+手机App的方案,通过数据手套上的弯曲度传感器、惯性测量传感器采集手部动作数据,经STM32处理器归一化和数据融合后,采用KNN算法进行初步分类,将初步分类结果通过蓝牙传输到手机,手机App利用HMM模型结合上下文获知手语含义,进而翻译成普通人能够理解的文本和语音.测试结果表明,该系统准确率较高,且具有成本低、操作便捷等特点.

摘要： 针对隐马尔可夫(HMM)模型参数选择存在很大的主观性问题,提出一种基于自适应聚群粒子群算法(ASPSO)优化HMM的云网络安全态势评估方法.首先通过人工鱼群提高PSO算法的全局搜索性能,同时改进PSO的惯性权值和学习因子进,以提高HMM参数寻优准确率;然后以构建的最优HMM模型,构建云网络安全态势评估模型;最后模拟DDoS攻击场景,对上述评估模型进行验证.结果 表明,改进算法在HMM参数寻优方面,只需迭代160次左右,而传统的PSO优化寻优要迭代430次.同时在真实模拟DDoS攻击场景时,与云网络实际受到攻击时大致相同,且在不同阶段表现出不同的态势值.由此看出,该改进模型可有效预测网络的安全.

摘要： 隐马尔可夫模型(HMM)是网络安全态势评估模型中应用最广泛的评估模型,其参数的确定直接影响了评估结果的客观性.针对这一问题,在粒子群算法(PSO)的基础上,提出自适应聚群粒子群算法(ASPSO).首先通过人工鱼群在全局搜索方面的优势对PSO进行改进,然后对PSO算法中的惯性权值和学习因子进行改进,以提高HMM参数寻优准确率.最后以DARPA2000数据集中的LLDoS1.0的DDoS攻击场景进行模拟攻击,结果表明,改进算法在迭代次数方面要明显优于传统的PSO-HMM算法,且可真实模拟DDoS攻击场景,与云网络实际受到攻击时一致.

摘要： 针对隐马尔可夫(HMM)模型参数选择存在很大的主观性问题,提出一种基于自适应聚群粒子群算法(ASPSO)优化HMM的云网络安全态势评估方法。首先通过人工鱼群提高PSO算法的全局搜索性能,同时改进PSO的惯性权值和学习因子进,以提高HMM参数寻优准确率;然后以构建的最优HMM模型,构建云网络安全态势评估模型;最后模拟DDoS攻击场景,对上述评估模型进行验证。结果表明,改进算法在HMM参数寻优方面,只需迭代160次左右,而传统的PSO优化寻优要迭代430次。同时在真实模拟DDoS攻击场景时,与云网络实际受到攻击时大致相同,且在不同阶段表现出不同的态势值。由此看出,该改进模型可有效预测网络的安全。

摘要： 近10年来,国内外学者在车辆侧翻预警模型与算法方面做了大量研究工作,但从提高侧翻预警精确性和实时性来看,现有的研究方法二者很难协调.因此,如何解决预警模型的实时性与精确性、预警门限值的界定等问题,已成为制约重型车辆防侧翻控制实际应用的关键瓶颈之一.本项目旨在探索一套适用于重型车辆侧翻预警模型与控制算法,为侧翻预警算法和防侧翻控制等问题提供新思路和通用策略.针对传统HMM模型在表征前后联系较为紧密的动态过程上的不精确性，引入了自回归模型和AR系数，并且基于整体HMM模型结构和数学方法的考虑，提出了利用AR系数作为连续隐马尔科夫模型的观察值的设想，成功地结合了AR模型和HMM模型这两种表征时间序列的方法，并在数据处理后，训练了表征车辆下层分运动状态的MGHMM模型库，为车辆在运行过程中进行分运动状态辨识提供了可能。在己建模型的基础上，利用不同工况下TruckSim和Simulink的联合仿真得到的试验数据进行了模型离线验证，运用Viterbi算法对观察序列进行解码，辨识车辆一段时间内的状态，结果表明，本项目所建的预警模型与算法具有较好的精度。

摘要： 近10年来,国内外学者在车辆侧翻预警模型与算法方面做了大量研究工作,但从提高侧翻预警精确性和实时性来看,现有的研究方法二者很难协调.因此,如何解决预警模型的实时性与精确性、预警门限值的界定等问题,已成为制约重型车辆防侧翻控制实际应用的关键瓶颈之一.本项目旨在探索一套适用于重型车辆侧翻预警模型与控制算法,为侧翻预警算法和防侧翻控制等问题提供新思路和通用策略.针对传统HMM模型在表征前后联系较为紧密的动态过程上的不精确性，引入了自回归模型和AR系数，并且基于整体HMM模型结构和数学方法的考虑，提出了利用AR系数作为连续隐马尔科夫模型的观察值的设想，成功地结合了AR模型和HMM模型这两种表征时间序列的方法，并在数据处理后，训练了表征车辆下层分运动状态的MGHMM模型库，为车辆在运行过程中进行分运动状态辨识提供了可能。在己建模型的基础上，利用不同工况下TruckSim和Simulink的联合仿真得到的试验数据进行了模型离线验证，运用Viterbi算法对观察序列进行解码，辨识车辆一段时间内的状态，结果表明，本项目所建的预警模型与算法具有较好的精度。

摘要： 近10年来,国内外学者在车辆侧翻预警模型与算法方面做了大量研究工作,但从提高侧翻预警精确性和实时性来看,现有的研究方法二者很难协调.因此,如何解决预警模型的实时性与精确性、预警门限值的界定等问题,已成为制约重型车辆防侧翻控制实际应用的关键瓶颈之一.本项目旨在探索一套适用于重型车辆侧翻预警模型与控制算法,为侧翻预警算法和防侧翻控制等问题提供新思路和通用策略.针对传统HMM模型在表征前后联系较为紧密的动态过程上的不精确性，引入了自回归模型和AR系数，并且基于整体HMM模型结构和数学方法的考虑，提出了利用AR系数作为连续隐马尔科夫模型的观察值的设想，成功地结合了AR模型和HMM模型这两种表征时间序列的方法，并在数据处理后，训练了表征车辆下层分运动状态的MGHMM模型库，为车辆在运行过程中进行分运动状态辨识提供了可能。在己建模型的基础上，利用不同工况下TruckSim和Simulink的联合仿真得到的试验数据进行了模型离线验证，运用Viterbi算法对观察序列进行解码，辨识车辆一段时间内的状态，结果表明，本项目所建的预警模型与算法具有较好的精度。

摘要： 近10年来,国内外学者在车辆侧翻预警模型与算法方面做了大量研究工作,但从提高侧翻预警精确性和实时性来看,现有的研究方法二者很难协调.因此,如何解决预警模型的实时性与精确性、预警门限值的界定等问题,已成为制约重型车辆防侧翻控制实际应用的关键瓶颈之一.本项目旨在探索一套适用于重型车辆侧翻预警模型与控制算法,为侧翻预警算法和防侧翻控制等问题提供新思路和通用策略.针对传统HMM模型在表征前后联系较为紧密的动态过程上的不精确性，引入了自回归模型和AR系数，并且基于整体HMM模型结构和数学方法的考虑，提出了利用AR系数作为连续隐马尔科夫模型的观察值的设想，成功地结合了AR模型和HMM模型这两种表征时间序列的方法，并在数据处理后，训练了表征车辆下层分运动状态的MGHMM模型库，为车辆在运行过程中进行分运动状态辨识提供了可能。在己建模型的基础上，利用不同工况下TruckSim和Simulink的联合仿真得到的试验数据进行了模型离线验证，运用Viterbi算法对观察序列进行解码，辨识车辆一段时间内的状态，结果表明，本项目所建的预警模型与算法具有较好的精度。

摘要： 本文对基于隐马尔柯夫模型（Hidden Markov Model, HMM）的单元挑选语音合成方法进行改进。针对原有方法单元预选过程中存在的线性搜索效率低、无法考虑相邻音素备选单元间连接性的问题，设计实现了基于决策树的音素/不定长单元预选方法；针对原有方法声学模型训练过程中方差参数估计受音库覆盖均衡性影响过大的问题，提出了绑定方差的声学模型训练策略。实验结果表明，以上两方面技术改进可以有效提升合成语音自然度，同时提高单元挑选运算效率并降低存储消耗。

摘要： 本文对基于隐马尔柯夫模型（Hidden Markov Model, HMM）的单元挑选语音合成方法进行改进。针对原有方法单元预选过程中存在的线性搜索效率低、无法考虑相邻音素备选单元间连接性的问题，设计实现了基于决策树的音素/不定长单元预选方法；针对原有方法声学模型训练过程中方差参数估计受音库覆盖均衡性影响过大的问题，提出了绑定方差的声学模型训练策略。实验结果表明，以上两方面技术改进可以有效提升合成语音自然度，同时提高单元挑选运算效率并降低存储消耗。

摘要： 本文对基于隐马尔柯夫模型（Hidden Markov Model, HMM）的单元挑选语音合成方法进行改进。针对原有方法单元预选过程中存在的线性搜索效率低、无法考虑相邻音素备选单元间连接性的问题，设计实现了基于决策树的音素/不定长单元预选方法；针对原有方法声学模型训练过程中方差参数估计受音库覆盖均衡性影响过大的问题，提出了绑定方差的声学模型训练策略。实验结果表明，以上两方面技术改进可以有效提升合成语音自然度，同时提高单元挑选运算效率并降低存储消耗。

摘要： 本文对基于隐马尔柯夫模型（Hidden Markov Model, HMM）的单元挑选语音合成方法进行改进。针对原有方法单元预选过程中存在的线性搜索效率低、无法考虑相邻音素备选单元间连接性的问题，设计实现了基于决策树的音素/不定长单元预选方法；针对原有方法声学模型训练过程中方差参数估计受音库覆盖均衡性影响过大的问题，提出了绑定方差的声学模型训练策略。实验结果表明，以上两方面技术改进可以有效提升合成语音自然度，同时提高单元挑选运算效率并降低存储消耗。

摘要： 本文提出了一种改进的基于隐Markov模型(HMM)和Bayes信息准则(BIC)的说话人日志系统。它用来检测会议语音数据中“谁在什么时候说话”。在对说话人模型进行Gauss混合模型(GMM)建模的时候，考虑到用来建模的数据通常会比较短，首先训练一个通用背景模型，然后用最大后验概率(MAP)准则得到相应片段的模型。在NIST2004年举办的说话人日志评测任务数据集RT-04S上的实验结果表明：该系统与国际主流系统相比，有一定的优势。

摘要： 本文提出了一种改进的基于隐Markov模型(HMM)和Bayes信息准则(BIC)的说话人日志系统。它用来检测会议语音数据中“谁在什么时候说话”。在对说话人模型进行Gauss混合模型(GMM)建模的时候，考虑到用来建模的数据通常会比较短，首先训练一个通用背景模型，然后用最大后验概率(MAP)准则得到相应片段的模型。在NIST2004年举办的说话人日志评测任务数据集RT-04S上的实验结果表明：该系统与国际主流系统相比，有一定的优势。

摘要： 医疗文书的HMM输入法模型的训练方法、输入法模型和输入方法，属于医疗信息领域，用于解决在医疗术语输入时遇到长串输入时导致的输出预期结果的概率很低的问题，要点是对训练用医疗文书内容按照单字分词，并统计每个词出现的概率，作为HMM模型的初始状态概率；将训练用医疗文书中的所有汉字都转换为对应的拼音，统计每个拼音对应的汉字以及各自出现的概率，作为HMM模型的观察状态发射概率；统计训练用医疗文书中每个汉字后面出现的其他汉字的概率，作为HMM模型的隐藏状态转移概率，效果是提升了长串输入的结果准确度。

摘要： 本发明公开了HMM‑SVM跌倒模型的构建方法及基于该模型的跌倒检测方法。所述构建方法包括：对训练集中的至少两个方向跌倒的数据集进行特征组合提取并串接成观察值序列；所述训练集由至少两个方向跌倒及至少两类日常活动的数据组成；利用所述观察值序列，训练出所有所述方向跌倒的HMM模型；对训练集中的日常活动的数据集进行特征组合提取，串接成观测值序列，并结合所述观察值序列，共同放入所述HMM模型，获得训练集的输出概率向量；对训练集的输出概率向量作归一化处理，训练出SVM模型。

摘要： 本发明涉及光伏发电技术领域，具体为一种基于K‑Means‑HMM模型的分布式光伏电站故障预警算法，采集生产记录N条，从这N条数据筛选出发电功率在1kw以上的数据M条，对采集的数据进行分档离散化，并以输出电流和电压两个维度进行K‑Means聚类；利用聚类后的光伏电站的工作状态样本数据训练HMM模型；采集光伏组件的实时生产数据，以输出电流和电压两个维度进行K‑Means聚类，计算出聚类结果；输入训练后的HMM模型，得到预警结果。本发明将光伏组件的发电功率按照功率区间进行离散化，采用K‑Means对输出电流、输出电压分为不同的类别，利用HMM对时间序列的学习和预测能力，对正常状态和各种故障状态进行学习，进而对光伏组件的工作状态进行判断和预警。

摘要： 本发明属于人体动作分类识别技术领域，具体是涉及一种基于多观测变量HMM模型的人体动作分类识别方法。本发明的方法首先从人体雷达回波数据的微多普勒图中提取人体微多普勒信号的上、下包络和人体躯干的多普勒频率变化序列，作为HMM模型的三个观测变量，通过矢量量化，离散化观测变量的状态量。利用HMM模型的隐状态呈现出人体微多普勒信号上下包络和躯干频率变化的内在关系，并通过模型隐状态变量的马尔可夫性来表征运动人体状态变化的随机性，从而改善后续人体动作的分类性能，实验结果验证了该方法的有效性。

摘要： 本发明公开了一种广义逆狄利克雷混合HMM模型的网络入侵检测方法及装置，方法包括：获取网络入侵数据集，并对所述网络入侵数据集进行聚类；将聚类后的所述网络入侵数据集输入到基于特征选择的广义逆狄利克雷混合HMM模型中进行学习；其中，所述广义逆狄利克雷混合HMM模型的模型参数利用Variational Bayes学习方法进行估计；获取由广义逆狄利克雷混合HMM模型输出的网络入侵数据集对应的特征相关性，并对特征相关性进行特征选择；对选择后的网络入侵数据集的每个数据记录，获取其对应的广义逆狄利克雷混合HMM模型的输出概率，并把输出概率最大的那一类识别为该数据记录的类型。本发明能对网络入侵数据进行无监督学习，还能够关注数据的特征显著性，提升了模型的性能。

摘要： 本申请的各实施例涉及用于使用隐马尔可夫模型(HMM)标识和协助网络服务配置的创建和实现的系统。设备可以接收针对将被用于配置网络设备的网络服务配置(NSC)的请求。设备可以选择图形数据模型，该图形数据模型已经经由机器学习而被训练以分析包括与一组网络配置服务相关的信息的数据集，其中该一组网络配置服务的子集的各方面已经随着时间被创建。设备可以通过使用图形数据模型来确定通过图形数据模型的一组状态的路径，其中该路径对应于特定NSC。设备可以基于确定的路径来选择特定NSC。设备可以执行第一组动作以提供标识用于显示的特定NSC的数据和/或执行第二组动作以在网络设备上实现特定NSC。

摘要： 本发明涉及互联网技术领域，公开了一种融合GMM模型和HMM模型的婴儿哭声检测方法，包括以下步骤：建立短哭声数据模型C1；建立中哭声数据模型C2；建立长哭声数据模型C3：将上述得到的每种哭声数据模型，分别针对多条婴儿哭声声音进行识别训练测试，通过训练得到其对应的HMM模型；建立短噪声数据模型N1；建立中噪声数据模型N2：建立长噪声数据模型N3：将上述得到的每种噪声数据模型，分别针对多条婴儿哭声声音进行识别训练测试，通过训练得到其对应的GMM模型,能够充分利用GMM模型。本发明的技术方案能够显著提高哭声检测准确率，降低虚警率和漏报率。

摘要： 医疗文书的HMM输入法模型的训练方法、输入法模型和输入方法，属于医疗信息领域，用于解决在医疗术语输入时遇到长串输入时导致的输出预期结果的概率很低的问题，要点是对训练用医疗文书内容按照单字分词，并统计每个词出现的概率，作为HMM模型的初始状态概率；将训练用医疗文书中的所有汉字都转换为对应的拼音，统计每个拼音对应的汉字以及各自出现的概率，作为HMM模型的观察状态发射概率；统计训练用医疗文书中每个汉字后面出现的其他汉字的概率，作为HMM模型的隐藏状态转移概率，效果是提升了长串输入的结果准确度。

摘要： 本发明公开了HMM‑SVM跌倒模型的构建方法及基于该模型的跌倒检测方法。所述构建方法包括：对训练集中的至少两个方向跌倒的数据集进行特征组合提取并串接成观察值序列；所述训练集由至少两个方向跌倒及至少两类日常活动的数据组成；利用所述观察值序列，训练出所有所述方向跌倒的HMM模型；对训练集中的日常活动的数据集进行特征组合提取，串接成观测值序列，并结合所述观察值序列，共同放入所述HMM模型，获得训练集的输出概率向量；对训练集的输出概率向量作归一化处理，训练出SVM模型。

摘要： 本发明提出了联合SVM和HMM的导航场景感知通用模型构建方法，分别为基于结果层面融合的SVM‑HMM1构建方法以及基于概率层面融合的SVM‑HMM2构建方法。包括：联合SFFS特征选择与LDA特征降维算法建立导航场景感知特征指纹库；采用网格搜索发迭代训练SVM输出导航场景的分类结果与分类概率；引入HMM，实现对SVM识别结果进行平滑处理，提高场景识别的准确度，其中，采用SVM输出的分类结果与离散型HMM联合形成SVM‑HMM1模型，采用SVM输出的分类概率与连续型HMM联合形成SVM‑HMM2模型；针对构建完成的HMM模型，构建导航场景邻接矩阵，修正HMM不合理的状态转移参数，进一步提高模型的可靠性。本发明可实现快速、高精度导航场景感知，为多PNT传感器自适应配置，多场景无缝导航提供场景感知信息。