导读:本文包含了连续型隐马尔可夫论文开题报告文献综述及选题提纲参考文献，主要关键词:隐马尔可夫模型,连续语音识别,同步识别,信号处理
连续型隐马尔可夫论文文献综述
李玉华[1]（2019）在《基于隐马尔可夫模型的连续语音同步识别系统》一文中研究指出语音同步识别系统的发展方向是连续性的人机交互,采用传统系统易受到突发性噪声影响,致使识别效果较差,提出基于隐马尔可夫模型的连续语音同步识别系统。结合语音识别原理,设计系统硬件总体结构。利用JFET输入高保真运放的OPA604低通滤波器,保证信号处理结果的有效性。通过OMAP5912ZZG型号芯片对处理后的信号进行存储,使用矢量图缓冲音频,经由以太网接口移植相关语音识别序列,由此实现连续语音同步识别。由实验对比结果可知,该系统比传统系统识别效果最高值高出48%,推进了语音识别技术研究的快速发展。(本文来源于《现代电子技术》期刊2019年11期）
郝芳,王宏超,李宏伟[2]（2019）在《基于连续隐马尔可夫的滚动轴承故障诊断》一文中研究指出针对滚动轴承发生故障时呈现出的循环平稳特征,提出基于二阶循环平稳的谱相关密度组合切片能量熵-连续隐马尔可夫(SEESCD-CHMM)的滚动轴承故障诊断方法.首先用SEESCD分析方法对滚动轴承4种工作状态(正常、内圈故障、外圈故障和滚动体故障)的数据进行特征提取组成训练特征向量;然后用训练特征向量对CHMM进行模型训练,取得CHMM模型的最优参数;最后用谱SEESCD分析方法对测试数据进行特征提取得到测试特征向量,用训练好的隐马尔科夫(HMM)模型对测试特征向量进行诊断,取得了准确率较高的诊断结果.(本文来源于《中国工程机械学报》期刊2019年02期）
钟将[3]（2018）在《基于连续隐马尔可夫模型的故障预测算法研究》一文中研究指出随着科学技术的飞速发展,应用在各个领域的工程系统更加复杂,集成度越来越高,人们对系统可靠性和安全性的需求也越来越高。为避免经济损失和严重事故的发生,提早的检测故障,并预知故障的发生是现代工业生产中不可或缺的重要步骤。鉴于此,本文对连续隐马尔可夫模型的故障检测与故障预测进行了研究,并分别和主元分析法故障检测方法和隐马尔可夫模型多步故障预测进行了仿真对比,在TE过程中进行了仿真验证。本文主要研究故障预测中故障检测和故障预测算法两个方面。本文提出一种新的基于连续隐马尔可夫模型的故障检测算法,首先利用主元分析法进行数据降维,然后进行模型训练,在获得连续隐马尔可夫模型的情况下,构建新的基于条件概率的故障检测指标,通过比较阈值和测试数据的统计量大小,判断系统是否发生故障,将仿真结果和依据主元分析法的故障检测算法进行对比,验证了此方法的可行性。最后,在隐马尔可夫模型的基础上,利用隐马尔可夫模型之间的结构和关系,提出一种基于连续隐马尔可夫模型的多步故障预测算法,并将该算法采用不同步数的隐马尔可夫模型多步故障预测在TE过程中进行了对比,表明了提出方法的有效性。(本文来源于《北方工业大学》期刊2018-05-16）
周郑[4]（2018）在《基于S变换综合相对熵和连续隐马尔可夫模型的电网故障诊断方法》一文中研究指出当今,电网的规模不断地扩大,电网之间跨区域互联越来越紧密。电网发生故障时,一旦处理不及时,可能会引起大面积停电。当电网发生故障时,大量的故障信息涌入调度中心,根据这些故障信息快速识别出故障线路、判断出输电线路的故障类型,是电网故障诊断方法的目标。故障诊断涉及两方面内容,识别故障线路;判断输电线路的故障类型,进行故障选相。已有的电网故障线路识别方法,大多利用开关量来诊断。电气量因信息量大、波形可靠,具有开关量无法比拟的优势。本文采用电气量作为故障信息源,进行故障线路的识别。采用S变换提取信号的故障特征量,连续隐马尔可夫模型进行故障选相,具有较好的理论意义。本文研究了基于S变换综合相对熵和k-means聚类算法的电网故障识别方法。根据故障录波数据,提取疑似故障线路和参考线路故障前后两个周波的特征电流数据。通过计算疑似故障线路和参考线路之间的S变换幅值相对熵、S变换能量相对熵,构造S变换综合相对熵。通过S变换综合相对熵来量化疑似故障线路和参考线路之间的差异。然后,用k-means聚类算法对疑似故障线路和参考线路之间的S变换综合相对熵的数据进行聚类,结果分为2类,正常线路类和故障线路类。聚类完成后,聚类中心值大的一类中,S变换综合相对熵值所对应的疑似故障线路即为为故障线路。并在PSCAD IEEE39节点系统上进行了大量的仿真实验,实验结果表明本方法不受故障工况改变的影响,在较高的丢包率和有噪声的情况下,仍能正确地识别出故障线路。本文研究了基于S变换和连续隐马尔可夫模型的输电线路故障选相方法。首先采用S变换提取输电线路的A、B、C叁相电流以及零序电流的故障特征,然后根据提取的故障特征量对输电线路10种故障类型和正常状态分别训练一个连续隐马尔可夫模型。每一个连续隐马尔可夫模型通过改进的Baum算法对模型的相关参数进行训练。训练完成后,使用Viterbi算法和前向-后向算法进行输电线路的故障选相。通过对不同故障工况的测试样本进行仿真实验。仿真结果表明本方法的故障选相正确率较高。即使在加入40dB信噪比噪声的情况下,本方法依然具有很高的故障选相正确率。(本文来源于《西南交通大学》期刊2018-04-01）
李富,孙子文[5]（2018）在《手势识别身份认证的连续隐马尔可夫模型》一文中研究指出针对智能手机存储隐私信息所面临的安全问题,采用一种基于连续隐马尔科夫模型的手势识别身份认证方法.首先由手机触摸屏传感器采集手指滑动的原始手势特征序列,并通过大小归一化及平滑去噪预处理;接着提取手势运动轨迹的叁个基本特征序列与叁个隐含的特征序列;最后采用概率统计的方法,使用连续隐马尔科夫模型建立用户手势模型,用于测试比较特征序列以判断用户身份的合法性.仿真实验结果表明,与动态时间规整算法和支持向量机算法相比,方法具有较低的错误拒绝率和错误接受率,能明显提高身份认证的准确性.(本文来源于《小型微型计算机系统》期刊2018年03期）
李娜[6]（2017）在《基于连续隐马尔可夫模型的动态纹理分析》一文中研究指出纹理是物体表现出的视觉特性。动态纹理是在时空域中具有一定运动规律的纹理模式。随着人工智能和机器视觉领域的发展,动态纹理分析也成为基础研究的热门领域。其中,动态纹理分类和动态纹理分割作为分析的主要研究手段,在医学检验、工业生产、军事探测、智能交通等诸多领域中发挥着重要的应用价值。连续隐马尔可夫模型(CHMM)由两部分构成:描述隐状态转移的马尔可夫链和描述观测值概率分布的随机过程。连续隐马尔可夫模型描述动态纹理时,离散形式的隐状态描述动态纹理的“运动属性”,服从混合高斯分布的观测值向量描述“外观属性”,因此采用CHMM模型描述动态纹理是合理的。基于以上理论基础,本文主要研究基于连续隐马尔可夫模型的动态纹理分类方法和动态纹理分割方法,本文的主要工作如下:1.提出一种基于CHMM的动态纹理分类方案。首先利用动态纹理灰度值序列,分别提取16邻域和24邻域的灰度值特征作为观测值向量,建立连续隐马尔可夫模型。该模型的原理是,不同时刻下动态纹理的灰度值强度看作模型的混合高斯分布的输出,灰度值强度随时间的变化看作模型隐状态转移的结果。然后在动态纹理的连续隐马尔可夫模型描述基础上,利用极大似然准则进行分类,通过与离散隐马尔可夫模型的描述方法进行对比,分析所提方案的分类性能。2.提出一种基于CHMM谱聚类方法的动态纹理分割方案。首先给出数值下溢情况下的CHMM模型KL散度的计算方法,并用于CHMM谱聚类的动态纹理分割方案。具体方案为,首先将动态纹理进行空间分块,并对全部子块分别建立CHMM模型,分别利用结合数值下溢问题的KL散度、互匹配值、BP距离叁种相似度测量方法对CHMM模型进行谱聚类,得到动态纹理的初始分割结果。然后利用k-means聚类算法得到连通区域的代表性CHMM模型,采用似然准则的判定标准对动态纹理的进行像素级分割,利用分割正确率的指标,分析所提方案的分割性能。(本文来源于《哈尔滨工程大学》期刊2017-04-01）
黄敬峰[7]（2017）在《基于二阶连续隐马尔可夫模型的股票价格指数预测》一文中研究指出股票价格指数指的是证券交易所选择部分具有代表性的股票通过一定的计算而产生的统计量。作为一个综合价格指标,它描述的是当地股市变动的情况。而股票价格指数变动的预测被认为是金融时间序列预测的一个具有挑战性的任务,正因为如此,越来越多的学者们都争先恐后地投入到了股票价格指数的预测中,使其成为了一个研究热门,因此开发高效的股票价格指数预测模型是非常有意义的。由于股票价格指数具有隐马尔可夫性,本文提出了一种新的基于隐马尔可夫模型的股票价格指数预测方法。通过推导Baum-Welch算法将一阶连续隐马尔可夫模型推广到二阶连续隐马尔可夫模型,结合预测方法预测股票价格指数的涨跌趋势以及涨跌幅度,成功得对股票价格指数进行了预测。本文主要包括以下工作:首先通过收集整理作为经济市场的一个重要衡量指标之一的美国S&P500指数数据,选取了其中2014年7月到11月的美国S&P500指数中的收盘价作为研究对象。利用Matlab画出的散点图可以清晰地发现美国S&P500指数的收盘价变化规律具有复杂的非线性和随机性。接着通过研究隐马尔可夫模型的性质,应用隐马尔可夫模型中对于评估问题、解码问题和学习问题的解决方案,构建了包含两个状态的模型,结合K-Means聚类算法利用二分法提出了一种新的股票价格指数预测模型。并且通过预测结果验证了该模型对于股票价格指数的预测具有一定的有效性和可行性。最后结合实际情况将离散的隐马尔可夫模型推广到连续隐马尔可夫模型,并且将一阶连续隐马尔可夫模型推广到二阶连续隐马尔可夫模型,结合提出的新的预测方法对股票价格指数进行了预测。通过比较两个模型的预测结果可知,二阶连续隐马尔可夫模型在股票价格指数的预测上要优于一阶连续隐马尔可夫模型,并且有着更快的收敛速度以及更高的精确度。(本文来源于《华北电力大学(北京)》期刊2017-03-01）
王修晖,严珂[8]（2016）在《基于连续密度隐马尔可夫模型的人体步态识别》一文中研究指出人体步态识别作为一种远距离和非侵犯性的识别技术在视频监控等领域具有广泛的应用前景.基于此原因,文中提出基于连续密度隐马尔可夫模型(CD-HMM)的人体步态识别算法.首先,提出基于自然步态周期的特征提取算法,并在此基础上构造观测向量集.然后,使用从训练样本集中提取的步态向量集对CD-HMM进行参数估计.最后,提出基于Cox回归分析的渐进自适应算法对训练过的步态模型进行参数自适应和步态识别.实验表明,相比现有的其它步态识别算法,文中算法具有更高的识别率.(本文来源于《模式识别与人工智能》期刊2016年08期）
李远林[9]（2016）在《基于连续隐马尔可夫的兰州PM_（10）污染提前24小时预测研究》一文中研究指出随着我国经济的飞速增长,工业化和城镇化的不断改革,空气污染也越来越严重。“雾霾”已经成为全国人民关注的焦点话题,它危害着人们的正常生活,危害人们的健康。近年来,全国各地都在采取各种措施治理雾霾,遏制空气污染的进一步恶化。而究其根本,雾霾中真正危害人们健康的是空气中的悬浮颗粒PM10和PM2.5。为了减少空气污染对人们健康的危害,对悬浮颗粒物(PM10和PM2.5)浓度进行有效检测和合理控制,通过对已有数据的分析来设计相应的PM10浓度预测模型,以起到预防的作用,目前已成为一项十分有意义的工作。PM10浓度偏高是导致空气污染的重要因素之一。本文针对兰州市PM10的浓度与其相关的气象条件之间关系的分析,将连续的气象条件:温度、相对湿度、风速和前一天的PM10浓度作为观测变量,以PM10浓度划分的等级作为隐状态,建立了连续观测条件的隐马尔可夫模型。然后,在此基础之上建立基于连续观测条件的隐马尔可夫模型的提前24小时的PM10浓度等级预测模型,以达到提前24小时预测兰州市夏季PM10浓度的目的。在具体实验中,本文选取2007-2010年四年的兰州市夏季气象数据和PM10污染数据作为训练集,以2011年兰州市夏季的气象数据和PM10污染数据作为测试集,建立并验证了提前24小时的PM10预测模型。同时,将本模型的预测结果与另外叁个经典预测算法的预测结果进行了比较。实验结果显示,本文模型预测效果优于其他模型,能起到有效预测绝大多数天数PM10的浓度等级的作用。(本文来源于《兰州大学》期刊2016-04-01）
张凯,齐丽娜[10]（2015）在《基于连续隐马尔可夫模型的协作频谱检测》一文中研究指出机器学习是当前人工智能的主要研究方向,连续隐马尔可夫模型(Continuous Hidden Markov Model,CHMM)作为机器学习方法的一种被广泛应用于故障诊断、图像处理、生命科学等领域。研究表明,在信道占用和空闲状态下采样得到的能量值满足不同的高斯分布,故可采用机器学习方法通过模式识别进行频谱感知;同时为了克服离散隐马尔可夫模型(Discrete Hidden Markov Model,DHMM)在处理连续信号矢量量化过程中产生的信息失真问题,文中将CHMM引入多用户协作频谱检测技术,分别根据信道占用和信道空闲时采集到的能量值来训练CHMM模型建立CHMM1-CHMMn,多个次用户分别将当前采集到的信道的能量值作为待测矩阵同CHMM1-CHMMn进行模式识别,根据识别结果判定当前信道是占用还是空闲。仿真结果表明,该方法在频谱感知方面具有较高的准确性。(本文来源于《计算机技术与发展》期刊2015年06期）
连续型隐马尔可夫论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对滚动轴承发生故障时呈现出的循环平稳特征,提出基于二阶循环平稳的谱相关密度组合切片能量熵-连续隐马尔可夫(SEESCD-CHMM)的滚动轴承故障诊断方法.首先用SEESCD分析方法对滚动轴承4种工作状态(正常、内圈故障、外圈故障和滚动体故障)的数据进行特征提取组成训练特征向量;然后用训练特征向量对CHMM进行模型训练,取得CHMM模型的最优参数;最后用谱SEESCD分析方法对测试数据进行特征提取得到测试特征向量,用训练好的隐马尔科夫(HMM)模型对测试特征向量进行诊断,取得了准确率较高的诊断结果.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
连续型隐马尔可夫论文参考文献
[1].李玉华.基于隐马尔可夫模型的连续语音同步识别系统[J].现代电子技术.2019
[2].郝芳,王宏超,李宏伟.基于连续隐马尔可夫的滚动轴承故障诊断[J].中国工程机械学报.2019
[3].钟将.基于连续隐马尔可夫模型的故障预测算法研究[D].北方工业大学.2018
[4].周郑.基于S变换综合相对熵和连续隐马尔可夫模型的电网故障诊断方法[D].西南交通大学.2018
[5].李富,孙子文.手势识别身份认证的连续隐马尔可夫模型[J].小型微型计算机系统.2018
[6].李娜.基于连续隐马尔可夫模型的动态纹理分析[D].哈尔滨工程大学.2017
[7].黄敬峰.基于二阶连续隐马尔可夫模型的股票价格指数预测[D].华北电力大学(北京).2017
[8].王修晖,严珂.基于连续密度隐马尔可夫模型的人体步态识别[J].模式识别与人工智能.2016
[9].李远林.基于连续隐马尔可夫的兰州PM_（10）污染提前24小时预测研究[D].兰州大学.2016
[10].张凯,齐丽娜.基于连续隐马尔可夫模型的协作频谱检测[J].计算机技术与发展.2015