摘要：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 .

摘要：为了解决异质网络的结构信息和语义信息挖掘不全面的问题,针对异质网络的链接预测,提出了将基于元路径的分析方式与隐马尔可夫模型相结合的链接预测方法。考虑到聚簇可以有效地捕获异质网络的结构信息,将k-means算法进行改进得到基于距离均方差最小的初始聚簇中心方法,并将其应用到隐马尔可夫模型(HMM)中,设计了基于聚簇的一阶隐马尔可夫模型(C-HMM(1))的链接预测方法,同时提出基于聚簇的二阶隐马尔可夫模型(C-HMM(2))的异质网络的链接预测方法。进一步考虑数据的特征信息,提出了将最大熵模型和二阶隐马尔可夫模型相结合的链接预测方法ME-HMM。实验结果表明,ME-HMM比C-HMM方法的链接预测精确度更高,且ME-HMM因充分考虑到数据的特征信息比C-HMM的性能更加优异。

摘要：开展在线零售业务存在的问题是 ,群体用户必须浏览许多无关的页面 ,才能最终找到自己所需要的商品 .解决该问题的一个思路是 :建立一个隐马尔可夫模型 ,通过关联规则发现算法发现关联购买集合 ;然后通过Viterbi算法求出从首页到一个关联购买集合中心的具有最大被购买概率的一些路径 ;在这些路径上标注关联购买集合 ;当处理完所有的关联购买集合之后 ,通过竞争来决定出现在导航页面上的物品集 ,最终将导航页合理地变成导航购买页 .即站点可以自动根据群体用户的访问购买情况进行自适应 .此外 ,该方法也是一种很好的通过建立隐马尔可夫模型来分析购买访问路径的方法 ,可以被广泛地用于 Web站点的路径分析、广告和人工重构中 .

摘要：为使产品概念设计达到最优化设计的目的,提出了一种基于隐马尔可夫模型的模块化产品功能模块的实例优化选取方法。通过定义产品功能模型的三种最基本构成方式,将产品功能模型转换成统一的串联功能模型形式。利用隐马尔可夫模型建模产品功能模块的实例选取过程,并借助模块实例的相关信息完成隐马尔可夫模型中各参数的实例化。最后,采用Viterbi算法实现模型的求解,找出一组使产品性能(可靠性)最优的功能模块实例组合,并通过实例验证了方法的有效性和合理性。

摘要：针对认知无线电信道接入中存在主用户和次级用户相互干扰、吞吐量下降的问题,提出基于隐马尔可夫模型的动态跳频信道接入算法。由于长时段的数据传输造成次级用户无法及时切换信道,将数据传输时段分为多个跳频时段,构建隐马尔可夫模型预测可用信道,建立跳频信道集合,设计动态跳频序列,使信道接入的效率更高。理论分析与仿真结果表明,该算法能够有效降低各级用户之间干扰概率并显著改善系统吞吐量,增加系统可靠性和信道利用率。

摘要：近年来,随着网络加密技术的普及,使用网络加密技术的恶意攻击事件也在逐年增长,依赖于数据包内容的传统检测方法如今已经无法有效地应对隐藏在加密流量中的恶意软件攻击.为了能够应对不同协议下的加密恶意流量检测,提出了基于ProfileHMM的加密恶意流量检测算法.该方法利用生物信息学上的基因序列比对分析,通过匹配关键基因子序列,实现识别加密攻击流量的能力.通过使用开源数据集在不同条件下进行实验,结果表明了算法的有效性.此外,设计了两种规避检测的方法,通过实验验证了算法具有较好的抗规避检测的能力.与已有研究相比,该工作具有应用场景广泛以及检测准确率较高的特点,为基于加密流量的恶意软件检测研究领域提供了一种较为有效的解决方案.

摘要：针对当前网络安全事件频发以及异常检测方法大多集中在对系统调用数据的建模研究上等问题,提出一种基于隐马尔可夫模型的入侵检测方法。该算法基于系统调用和函数返回地址链的联合信息来建立主机进程的隐马尔可夫模型。此外,针对常用训练方法存在的不足,设计了一种快速算法用以训练模型的各个参数。实验结果表明:基于系统调用和函数返回地址链的联合信息的引入能够有效区分进程的正常行为和异常行为,大幅度降低训练时间,取得了良好的运算效果。

摘要：以篦冷机关键参数篦下压力为研究对象,提出一种篦压变化趋势预测模型.利用主成分分析对数据降维,以主元序列作为观测序列,构建改进的多种群算法优化隐马尔可夫模型参数.种群内利用轮盘赌算子选择个体,设计双区与均匀行交叉结合的自适应交叉算子避免局部收敛,进行动态变异率的多项式变异操作提高收敛速度,种群间提出混合师生交流机制的自适应移民算子保证多种群协同进化.仿真表明本文算法可收敛到全局最优,能提高收敛精度和速度,利用该算法建立的模型跟踪性能好,预测精度高,能满足对篦压趋势预测的要求.

摘要：针对隐马尔可夫模型在机器人演示轨迹编码过程中存在的参数估计效率低,轨迹重构精度差的问题,提出了一种基于前馈隐马尔可夫模型的机器人演示学习方法。该方法通过林德-布佐-格雷(LBG)算法对采集的多条演示轨迹进行关键点识别,利用最小失真准则选取合适的轨迹计算模型初始化参数,结合鲍姆-韦尔奇算法完成模型参数估计。在此基础上,通过维特比算法计算每个样本点最可能的归属状态,并采用极大似然估计对归属每个状态的样本点重新计算状态参数,最后通过高斯混合回归获得重构轨迹。为验证算法的有效性,设计了手写字母轨迹数据集和晶圆机械臂自动上料轨迹的演示学习实验,并引入平均弗雷歇距离定量评估轨迹重构精度。实验结果表明:采用本文所提方法的重构轨迹在晶圆机械臂自动上料轨迹中的平均弗雷歇距离为5.49,较传统方法提升了15.15%的轨迹重构精度,具有良好的应用前景。

摘要：陀螺电机的轴承一般采用小体积、高精度的角接触球轴承,其健康状况无法通过外观检查、计量等方法检测,故障具有隐蔽性、潜伏性,当故障发生时,将直接影响陀螺的精度及寿命,故需提前对潜在故障进行识别。基于电机定子电流评估的基本原理,选取若干定子电流特征参数用于故障诊断;基于隐马尔可夫模型(HMM)的基本原理,对其进行适应性设计,根据特征参数的特点,提出局部、全局线性归一化方案,并设计适用于多特征参数的模型参数求解算法、轴承健康评估算法。实例验证表明,通过对HMM的适应性设计,健康轴承、故障轴承对应HMM的模型参数正确收敛,健康评估模型成功建立;使用该模型对已知健康、故障的6块电机轴承进行健康评估,可迅速、准确获得评估结果,准确率为100%。