隐马尔可夫模型在语音识别中的应用

隐马尔可夫模型 (HMM)的基本技术是语音识别中较为成功的算法 .主要是它具有较强的对时间序列结构的建模能力 .本文首先深入浅出地介绍了 HMM的基本技术和一个基于 HMM的孤立词语音识别系统的构成方法 ,其次 ,基于 HMM尚存有一些缺陷 ,造成语音识别能力较弱 ,为此本文又进一步阐述了语音识别应用中的几种改进的 HMM系统及目前的热点方法—— HMM与 ANN构成的混合网络     

基于EMD-HMM的故障诊断模型及应用

提出了基于经验模式分解(EMD)和隐马尔科夫模型(HMM)的故障诊断模型,为通过设备状态监测数据分析进行基于状态维修和维修决策提供了一种新途径.为了消除EMD的端点效应,使用神经网络拟合延拓原始数据序列端点极值,并通过定义序列复杂度来定性地确定延拓极点数.进一步,采用分解所得的固有模态(IMF)能谱熵作为HMM分类系统的输入,得到一种设备故障诊断方案.通过数值仿真和发动机故障诊断验证了该方法的有效性.     

隐马尔可夫模型在语音识别中的应用

隐马尔可夫模型（HMM）的基本技术是语音识别中较为成功的算法，主要是它具有较强的对时间序列结构的建模能力。本首先深入浅出地介绍了HMM的基本技术和一个基于HMM的孤立词语音识别系统的构成方法，其次，基于HMM尚存有一些缺陷，造成语音识别能力较弱，为此本又进一步阐述了语音识别应用中的几种改进的HMM系统及目前的热点方法－HMM与ANN构成的混合网络。     

受控AR信号模型下基于Kullback-Leibler信息量HMM参数的估计算法

本是在对现实世界中常见的信号模型一受控AR模型的处理中引进HMM的，并且基于Kullback-Leibler(简记为K-L)信息量在此特定信号模型下蛤出了HMM参数的估计算法。     

基于状态驻留时间下由转移弧产生输出的HMM模型中的参数估计

本讨论了用状态驻留时间来模型化传统的HMM模型。HMM的一个基本假设是它认为语音信号是准平稳的。然而由状态输出yt的HMM模型，并不能很好地表征语音信号中平稳段或平稳段之间的具体特征；由转移弧产生输出的自左向右HMM系统,则对语音特征作更为细致的描述。本主要讨论在[2]的基础上,对新建模型进行参数估计。     

基于随机振荡序列的GM(1,1)模型性质及其应用

为了提高GM(1,1)模型对随机振荡序列的拟合和预测效果,提出了先将原始振荡序列变为单调增长序列,再对单调增长序列进行几何平均生成交换,然后建立GM(1,1)模型.通过实例计算表明,方法能够提高GM(1,1)模型的拟合精度,可以用于随机振荡序列的建模,从而扩大了GM(1,1)模型的应用范围.     

分形整合过程在经济预测中的应用

首先采用一个分形整合模型——误差逗留模型 (Error-Duration Model)仔细推导了分形时间序列过程的性质 ,特别是序列自相关系数的性质 ,表明分形整合过程与常规的时间序列分析工具有很大的不同 ;然后以一个实际的时间序列为例 ,说明了分形整合过程在经济预测中的应用比传统的分析工具有较好的预测精度     

生物序列分析中的若干数学方法

生物序列是由4种核苷酸组成的核酸序列和由20种氨基酸组成的蛋白质序列.论文介绍生物序列研究中的计数方法、组分分析方法、隐马尔可夫模型方法以及它们的某些应用.     

基于GARCH模型的波罗的海干散货运价指数预测北大核心

为准确地把握波罗的海干散货运价指数(BDI)的变化趋势,选用一阶对数差分方法,对近期BDI日收益率序列的基本统计量特征进行了分析,验证了BDI日收益率序列的"尖峰厚尾"及波动的集聚性等特征,并进一步运用GARCH(1,1)模型,分析了其波动的持续性和滞后性.在此基础上,基于GARCH模型构造了预测的方法步骤,经优化调整滞后期对BDI日收益率进行了预测,最后,通过将BDI对数日收益率序列还原为指数序列,对BDI进行了预测,实证分析结果验证了模型及方法的适用性和有效性.     

基于GARCH模型的波罗的海干散货运价指数预测

为准确地把握波罗的海干散货运价指数(BDI)的变化趋势,选用一阶对数差分方法,对近期BDI日收益率序列的基本统计量特征进行了分析,验证了BDI日收益率序列的"尖峰厚尾"及波动的集聚性等特征,并进一步运用GARCH(1,1)模型,分析了其波动的持续性和滞后性.在此基础上,基于GARCH模型构造了预测的方法步骤,经优化调整滞后期对BDI日收益率进行了预测,最后,通过将BDI对数日收益率序列还原为指数序列,对BDI进行了预测,实证分析结果验证了模型及方法的适用性和有效性.     

Generalisation of the Viterbi algorithm

The Viterbi algorithm, derived using dynamic programming techniques,is a maximum a posteriori (MAP) decoding method which was developedin the electrical engineering literature to be used in the analysisof hidden Markov models (HMMs). Given a particular HMM, theoriginal algorithm recovers the MAP state sequence underlyingany observation sequence generated from that model. This paperintroduces a generalization of the algorithm to recover, forarbitrary L, the top L most probable state sequences, with specialreference to its use in the area of automatic speech recognition.     

基于HMM的CpG岛位置判别

隐马尔科夫过程是20世纪70年代提出来的一种统计方法,以前主要用于语音识别,1989年Churchill将其引入计算生物学,目前HMM是生物信息学中应用比较广泛的统计方法。本文对马尔科夫过程和HMM进行了简明扼要的描述,并对其在CpG岛位置判别中的应用做了概括介绍。     

Efficient sensitivity analysis in hidden markov models

Sensitivity analysis in hidden Markov models (HMMs) is usually performed by means of a perturbation analysis where a small change is applied to the model parameters, upon which the output of interest is re-computed. Recently it was shown that a simple mathematical function describes the relation between HMM parameters and an output probability of interest; this result was established by representing the HMM as a (dynamic) Bayesian network. To determine this sensitivity function, it was suggested to employ existing Bayesian network algorithms. Up till now, however, no special purpose algorithms for establishing sensitivity functions for HMMs existed. In this paper we discuss the drawbacks of computing HMM sensitivity functions, building only upon existing algorithms. We then present a new and efficient algorithm, which is specially tailored for determining sensitivity functions in HMMs.     

Analysis of the heterogeneous multiscale method for elliptic homogenization problems

A comprehensive analysis is presented for the heterogeneous multiscale method (HMM for short) applied to various elliptic homogenization problems. These problems can be either linear or nonlinear, with deterministic or random coefficients. In most cases considered, optimal estimates are proved for the error between the HMM solutions and the homogenized solutions. Strategies for retrieving the microstructural information from the HMM solutions are discussed and analyzed.

     

Analysis of the heterogeneous multiscale method for parabolic homogenization problems

The heterogeneous multiscale method (HMM) is applied to various parabolic problems with multiscale coefficients. These problems can be either linear or nonlinear. Optimal estimates are proved for the error between the HMM solution and the homogenized solution.

     

Forgetting the initial distribution for Hidden Markov Models

The forgetting of the initial distribution for discrete Hidden Markov Models (HMM) is addressed: a new set of conditions is proposed, to establish the forgetting property of the filter, at a polynomial and geometric rate. Both a pathwise-type convergence of the total variation distance of the filter started from two different initial distributions, and a convergence in expectation are considered. The results are illustrated using different HMM of interest: the dynamic tobit model, the nonlinear state space model and the stochastic volatility model.     

改进的带驻留时间隐Markov模型的前向-后向算法

对隐Maxkov模型(hidden Markov model:HMM)的状态驻留时间的概率进行了修订,给出了改进的带驻留时间隐Markov模型的结构,并在传统的隐Markov模型(traditional hidden Markov model:THMM)的基础上讨论了新模型的前向.后向变量,导出了新模型的前向-后向算法的迭代公式,同时也给出了新模型各个参数的重估公式.