从线性预测HMM到一种新的语音识别的混合模型

线性预测HMM(Linear Prediction HMM,LPHMM)并没有象传统HMM那样引入状态输出独立同分布假设,但实用中识别性能并不佳.通过分析两种HMM的各自优劣,本文提出了一种新的语音识别的混合模型,将语音静态特性(基于传统HMM)和动态特性(基于LPHMM)分别描述又有机结合在一起,更为精确地刻划了真实的语音现象,同时又继承使系统的实现改动很小和较小的计算量.汉语大词汇量非特定人连续语音识别的实验表明,混合模型的识别性能显著好于LPHMM和传统HMM.理论上,本文还给出了LPHMM的一组闭式参数重估公式.     

基于HMM的系统可靠性建模研究

传统的系统可靠性分析需要检测系统中所有元件的故障状态，并不适用予系统的定期维护和保养检查。隐马尔可夫模型(HMM)是一种双重随机过程，能够解决随机不确定问题。通过对系统关键点的检测，经过复杂的网络运算综合得到系统状态的检测参数，给出了实现检测的相关网络模型以及相应的算法。     

隐马尔可夫模型（HMM）参数迭代算法的改进

本文提出了一种改进的隐马尔可夫模型（ＨＭＭ）参数迭代算法，该算法克服了传统算法的缺点，提高了ＨＭＭ参数系统的分辨率，把它用于语音识别，可以有效地提高语音识别率。     

基于HMM和PNN的混合语音识别模型

基于隐马尔可夫模型(HMM)和改进后的概率神经网络(PNN)模型提出了一种用于语音识别的混合模型,该模型首先利用HMM生成最佳语音状态序列,然后对最佳状态序列进行时间规整,最后通过PNN神经网络进行分类识别。给出了HMM参数训练及时间规整的算法。实验结果表明这种模型比HMM具有更好的识别效果。     

一种新的HMM训练方法

本文是对HMM最大距离训练方法的一种改进,该方法采用了更合理的模型距离定义,能更有效地利用训练数据集中的区别信息,使有限的训练数据得到更好的应用,达到提高语音识别系统性能的目的.导出了HMM模型参数的迭代公式.基于TIMIT数据库的非连续语音及连续语音实验结果表明,改进训练方法在降低错识率上较原来的方法有明显改善.     

基于模糊—隐马尔可夫模型的复合式攻击预测方法

通过对复合式攻击预测方法的研究,将关联规则、模糊评价法和隐马尔可夫模型相结合,提出了基于模糊—隐马尔可夫模型的复合式攻击预测方法。该方法首先将原始报警信息融合为超级报警信息,进而基于攻击行为的初始概率分布确定初始状态矩阵,根据关联规则确定状态转移矩阵,应用模糊判别法确定观察矩阵,最后应用隐马尔可夫模型中的Forward算法对报警信息隶属的攻击场景进行了识别,Viterbi算法对攻击意图序列进行了预测。仿真实验验证了该方法的有效性。     

基于HMM和LVQ网络混合模型的语音识别方法

提出一种基于隐马尔可夫模型(HMM)和学习向量量化(LVQ)神经网络的语音识别方法.该方法先用HMM生成最佳语音状态序列,然后用函数逼近技术产生对最佳状态序列进行时闻归正,最后通过LVQ神经网络进行分类识别.理论和实验结果表明,混合模型的识别率明显高于隐马尔可夫模型的识别率.     

一种基于RFID和HMM的设备智能控制模型

智能环境中的设备越来越多且越来越复杂,配置以及正确地使用这些设备变得更费时,也更容易出错.本文讨论了一种设备智能控制模型来辅助用户控制设备,该模型方法利用基于RFID的定位系统的传感器网络观测用户和设备状态数据,用户的活动通过任务模型分解和描述,待控制的环境设备状态作为用户子任务的效果.应用推理规则,任务模型被转化为HMM模型,当用户特定的动作序列被识别后,系统使用设备的状态动作关系表完成设备的后续操作序列.     

基于改进HMM的半结构化文本信息抽取算法研究

在分析半结构化文本特点与隐马尔可夫模型的基础上,提出了一种新的基于隐马尔可夫模型的信息抽取算法,并与传统的基于单一隐马尔可夫模型的信息抽取算法进行了比较分析。实验结果表明,所提算法在精确度上有明显优化,特别在状态特征不明显的情况下仍能保持良好的精确度。将该算法应用于半结构化文本的信息抽取中,具有较好的可行性和有效性。     

语音识别HMM中引入帧间相关信息的一种参数化模型

虽然隐马尔可夫模型（ＨＭＭ）是当前最为流行的语音识别模型，但由于一般都采用了状态输出独立假设，因此存在着不能描述语音现象中时间相关性的固有缺陷，本文提出的新模型对语音状态输出特征矢量序列的静态和动态特性信息分别进行参数化建模，然后将它们结合在一起，由此在基于段长分布的ＨＭＭ（ＤＤＢＨＭＭ）中引入了帧间相关信息，这种上引入帧间相关信息的ＨＭＭ能够更为精确地描述真实的语音现象。本文在给出新模型的框架后     

用遗传算法实现模糊测度赋值的一种多分类器融合算法

由于模糊理论可以很好的表达和处理不确定性问题,因而得到了广泛的应用,并成为信息融合领域中的有效方法.只要选取合适的模糊测度值,基于模糊积分的多分类器融合方法就可以达到比最优的单分类器更好的分类效果.用遗传算法来计算模糊测度的值时,可以得到解空间中的最优解,从而实现比非优化方法更好的融合效果.模拟实验结果也证实了这一点.     

动态模糊密度的多分类器融合算法

在分析现有模糊密度计算方法的基础上,本文从分类器的隶属度分布和输出一致性两方面探索计算模糊密度的新方法,提出一种基于决策信任度和支持度的动态模糊密度赋值方法,旨在根据各分类器识别具体目标时输出的客观信息,实时地刻画分类器在融合系统中的可靠性.在表情识别上的实验结果表明,本文方法可以有效提高模糊积分融合的决策性能,降低单分类器输出不可靠决策信息的干扰,是一种有效的多分类器融合方法.     

一种自适应模糊密度赋值的决策层融合目标识别算法

模糊积分是一种有效的决策层融合目标识别方法.应用模糊积分进行融合的核心问题就是确定反映各传感器重要性的模糊密度.目前确定模糊密度的方法主要有利用混淆矩阵或者采用遗传算法对模糊密度赋值.这些方法在对模糊密度赋值时,利用的都是训练样本的先验静态信息.本文提出了一种利用训练样本先验静态信息结合各传感器判决包含的动态信息对模糊密度进行自适应动态赋值的方法.仿真实验结果表明该方法能得到更好的融合效果.     

Motor Imagery EEG Fuzzy Fusion of Multiple Classification

Due to the volume conduction, electroencephalogram (EEG) gives a rather blurred image of brain activities. It is a challenge for generating satisfactory performance with EEG. This paper studies the multiple areas fusion of EEG classifiers to improve the motor imagery EEG classification performance. Two feature extraction methods are employed to extract the feature from three different areas of EEG. One is power spectral density (PSD), and the other is common spatial patterns (CSP). Classifiers are designed based on the well-known linear discrimination analysis (LDA). The fusion of the individual classifiers is realized by means of the Choquet fuzzy integral. It is demonstrated that the proposed method comes with better performance compared with the individual classifier.     

维数差异对模糊积分融合多FasART网络影响的研究

基于软决策的并行分布式融合系统能融合不同类型的特征,且最终决策结果与前期决策器输出的数值大小相关.当不同类型矢量的维数不等时,维数差异是否对最终融合决策有影响对设计融合算法和分类器的选择具有重要意义.本文分析了维数差异对模糊积分融合多FasART网络算法的影响原因,提出了解决办法,用遥感图像的光谱和纹理特征进行了融合实验,结果表明维数差异对该算法有影响.模糊积分融合多FasART网络是一种典型的基于软决策的并行分布式融合决策系统的算法,因此,基于上述融合系统的算法存在维数差异问题.     

基于模糊密度分解的遥感图像光谱和纹理 信息的融合

根据遥感图像的纹理特征具有不确定性和各类别的分类精度有较大差异的特点,针对常用的表示分类器置信度的模糊密度,在信息融合过程中,存在削弱低置信度分类器中高精度类别对融合结果起作用的问题,提出了一种对模糊密度进行分解的模糊积分方法,分解后的模糊密度表示分类器中各类别的置信度,从而突出了分类器中类别的分类精度对系统最终决策的重要程度.实验表明采用分解的模糊密度的模糊积分融合分割方法具有较高的精度.     

模糊聚合及遗传算法在多传感器数据融合中的应用

文中给出了多传感器数据融合的一个模糊－－遗传算法，数据融合过程中的推理由模糊聚合函数完成，模糊聚合比传统的集合率中的并和交操作能更地地模拟答的量。模糊聚合函数的连接参数由遗传算法确定。这２个算法的优点是在信息源的可靠性１信息的 余度／互补性以及进行融合的分级结构不确定的情况下能够色近了倨的方法对信息进行融合。