一、基于连呼概率密度隐马模型的维特比算法（论文文献综述）
李国梁[1]（2021）在《基于卷积算子与隐马尔可夫模型的医学图像识别》文中研究表明
巫一舟[2]（2021）在《在线EM算法及其在一类隐马尔科夫模型参数估计中的应用》文中指出隐马尔科夫模型广泛用于金融学、生物学、统计学以及计算机科学等多个学科领域,在理论和应用中有着重要的意义。其中,利用隐马尔科夫模型研究金融市场（比如股票价格）并对其走势做出预测,是目前许多学者关心的热门问题。因此,根据观测数据估计隐马尔科夫模型的参数,对指导实际工业生产、控制与决策有着至关重要的作用。本文主要研究隐马尔科夫模型的参数估计问题,即根据观测数据估计模型中的参数。由于其中的隐变量是无法观测的,解决此问题的经典算法是期望最大化（EM）算法。然而,由于传统的离线EM算法每次迭代都要对所有样本进行计算和优化,计算效率低、占用内存大且不能在线更新,目前诸多大数据的场景给离线EM算法带来了较为严峻的挑战。为解决离线EM算法在此类场景下存在的问题,本文研究了一种分块在线EM算法,根据批次观测数据实时地更新参数的估计,因而更适用于流式数据、高频数据等大数据应用场景。本文所做的主要工作及创新之处总结如下:1.对一般隐马尔科夫模型提出一种分块在线EM算法,并应用于有限高斯混合模型以及指数族分布模型的参数估计。针对不同特点的隐马尔科夫模型,本文分别对该模型给出其Q函数的递推计算方法,并给出分块在线EM算法分别在两种模型的参数估计问题中的具体算法流程。2.给出在线EM算法的数值实验以及实证分析,论证其可行性和有效性。通过上述两种隐马尔科夫模型的具体例子,即双高斯混合模型以及带高斯噪声的有限状态马尔科夫链模型的数值实验,说明该在线算法在模型的参数估计问题中的可行性及准确性。同时,通过在线EM算法与离线EM算法在统一模型上的实验结果对比,论证本文所提出的算法的优势。最后,通过实证分析,说明该算法在实际场景中的运用。
沈加龙[3]（2021）在《工业物联网稀疏协议样本解析技术研究》文中认为随着工业数字化、网络化的快速发展,互联互通、智能化的工业物联网（Industrial Internet of Things,IIoT）应运而生。IIoT作为国家基础设施的神经中枢,需要高安全性的通信协议互连,因而协议的安全性分析尤为重要。协议安全分析的前提是已知协议格式,然而IIoT设备厂商出于优化通信性能或提供个性化功能等因素考虑,导致IIoT中存在大量的未知、私有协议。现有的对未知协议解析方法主要有静态分析和动态分析方法,动态分析需要获取可执行的协议处理程序,而在IIoT场景中较难获取或影响硬件设备运行;静态分析以网络数据流为分析对象,协议解析准确率依赖于样本数量,但在相对私有的IIoT环境中很难捕获大量协议数据,且没有公开数据集,使得可分析的协议样本少,也即样本较稀疏。因此需要设计一种IIoT稀疏协议样本的解析方法。本文研究内容如下:（1）本文提出了基于二进制粒子群算法的稀疏协议解析模型（BPSO+HMM）,该模型首先根据协议字段的取值范围来设计二进制粒子群算法的适应度函数,并通过比较个体间的适应度值来更新个体最优和全局最优,直到各字段取值边界不再变化,输出扩充的优质协议样本;然后以协议字段结构作为隐马尔可夫模型（H idden Markov Model,HMM）的隐状态,将扩充的协议样本作为观测序列来训练HMM的参数,再通过基于HMM的维特比算法来估计隐状态的最大似然概率并预测最佳的IIoT协议字段格式。（2）本文提出了基于遗传算法的稀疏协议解析模型（GA+HMM）,该模型首先基于反馈的数据来设计遗传算法的适应度函数,并通过交叉、变异操作扩充新的样本,再结合轮盘赌操作从中选择出优质样本,直到种群平均适应度值达到预设范围时,输出扩充的优质协议样本,然后用扩充的协议样本来训练HMM的参数,提高了IIoT协议解析的准确率。（3）本文设计并实现了一个自动化、高准确率的IIoT稀疏协议解析系统,以Modbus、S7Comm、IEC104和MQTT协议为例,通过实验首先对两种协议扩张模型的扩充效果进行了比较,然后对BPSO+HMM、GA+HMM、GA+RNN和GA+LSTM协议解析模型的解析准确率进行了对比,验证了该系统的可行性。
吴洪伟[4]（2021）在《滚动轴承的健康阶段划分和剩余使用寿命预测研究》文中进行了进一步梳理故障预测与健康管理流程包括四步:数据的采集、健康因子的构建、健康阶段划分以及剩余使用寿命预测。本文基于获取到的滚动轴承原始数据,从健康因子的构建出发,对滚动轴承的健康阶段进行划分,找到故障起始点,预测其剩余使用寿命。本文的主要研究内容如下:首先,根据原始数据特征,构建出健康因子。滚动轴承原始数据是一组高维数据,直接作为模型的输入,会导致计算过于复杂并产生“维数灾难”问题。针对这个问题,选择时域里的峰峰值特征作为退化特征,并且对峰峰值特征存在高频噪声以及突刺情况下,对其进行累积增强处理,从而构建出健康因子。其次,根据滚动轴承的退化趋势来确定健康状态数,采用维特比算法进行健康阶段划分,明确故障起始点。针对滚动轴承退化趋势的特点,使用奇偶半采样准则来确定状态数,并采用AIC准则进行双向验证。在此基础上,借助隐半马尔科夫模型中的维特比算法进行健康阶段划分,确定故障起始点。对故障起始点处的振动信号进行包络谱分析,研究背后的规律,确定其故障类型。然后,采用双向长短时记忆网络的深度学习方法,来提高剩余使用寿命预测精度。传统的神经网络可解释性差、输入序列长度固定,这会影响预测的精度。为解决这两个缺陷,本文引入注意力机制,并以剩余寿命的百分比作为标签进行剩余使用寿命预测。最后,给出相应的评价指标,通过仿真实验,将本文提出的方法与常见的方法进行对比分析。结果表明,本文所提出的方法更有效。
张钦同[5]（2021）在《基于隐马尔可夫模型处理的睡眠分期算法研究》文中研究表明传统的睡眠分期都是通过采集脑电信号进行研究,通过贴片式元件采集人体生理信息进行监测,这种与人体直接接触的方式会对正常的睡眠状态造成影响。近年来各种近体设备的使用丰富了采集人体信号的方式,而压电感知式床垫能够将睡眠监测过程对睡眠的影响降到最低,通过置于床垫中的压电传感器采集心冲击图（Ballistocardiogram,BCG）信号来完成后续分期工作。隐马尔可夫模型（Hidden Markov Model,HMM）是一种可用于序列数据处理的统计分析模型,随着其相关理论的进步,近年来被广泛应用于模式识别、计算机视觉、故障检测等领域。结合这些问题,本文提出了基于隐马尔可夫模型处理的睡眠分期算法,研究过程的内容如下:1.信号源分析:对切合研究的信号源进行调研分析,在脑电图（Electroencephalogram,EEG）信号、心电图（Electrocardiogram,ECG）信号和BCG信号中选择采用无接触式、对信号正常采集干扰最小的无接触式信号源BCG。2.分期算法研究:探讨前人采用的睡眠分期方式,通过他们针对脑电信号和心电信号的不同尝试与做法,为本文算法的提出提供思路。3.本文提出的睡眠分期算法,利用心跳、呼吸信号的不同特点将其从BCG信号中计算分离,之后利用其中心率、呼吸率的变异性与不同睡眠时期的相关性实现睡眠阶段判别。心率时间序列采用时变自回归模型（Time-Variant Autoregressive Model,TVAR）处理构建功率谱密度图,提取时、频特征,作为输入值建立对应分期的隐马尔可夫模型,实现睡眠分期的要求。通过对比专家标注的睡眠阶段,本文算法准确率达到了78.4%,验证了隐马尔可夫模型识别信号源中不同的模式规律的准确性,可用于现实睡眠监测项目中。这种睡眠分期算法结合非接触式的睡眠监测方案非常适合应用于家庭、医院以及各类康养机构,能助力构建科学睡眠的智能监测系统,面向睡眠相关的智能家居产业提供产品改进及升级服务等的数据支撑,有良好的发展前景。
奎皓然,潘家华,宗容,杨宏波,粟炜,王威廉[6]（2020）在《基于持续时间隐马尔可夫模型的心音分割算法》文中研究表明心音分割指对所获取的心音信号按心动周期对收缩期、舒张期等进行分隔,是进行心音分类前的关键步骤。针对不依赖心电图对心音信号直接分割准确度有限的难题,提出了一种基于持续时间隐马尔可夫模型的心音分割算法。首先对心音样本进行位置标注;然后采用自相关估计法对心音的心动周期持续时间进行估计,通过高斯混合分布对样本的状态持续时间进行建模;接着通过训练集信号对隐马尔可夫模型进行优化并建立基于持续时间的隐马尔可夫模型（DHMM）;最后使用维特比算法对心音状态进行回溯得出S1、收缩期、S2、舒张期。使用500例心音样本对本文算法性能进行测试,平均评估精度分数（F1）为0.933,平均灵敏度为0.930,平均精确率为0.936。同其他算法相比,本文算法各项性能指标均有明显提升,证实了该算法具有较高的鲁棒性和抗噪声性能,为临床环境下所采集心音信号的特征提取与分析提供了一种新方法。
焦瑞华[7]（2020）在《面向复杂工程系统的故障预测方法研究》文中提出随着科学技术和现代工业的飞速发展,机械、能源、石化、运载和国防等行业的设备日趋大型化、高速化、集成化和自动化。随之而来的是对设备运行的安全性与可靠性的要求不断加大,从而使得相应的维修策略从传统的事后维修和定期维修向视情维修转变。然而目前大部分系统及设备还是以定期维修为主,这种方式不仅耗费资源而且效率低下。因此,有必要研究故障预测与健康管理技术以实现系统的视情维修。故障预测与健康管理技术在近些年得到越来越多的关注、研究与应用,已经成为可靠性领域的热点研究方向。其中故障预测是故障预测与健康管理的基础与核心内容。如果能够预测复杂工程系统中故障发展的趋势,确定部件或系统的剩余使用寿命,就可以综合当前的经济、设备等各种因素制定出最优的维护策略,从而保障复杂工程系统的安全性与可靠性。本课题从复杂工程系统对故障预测与健康管理技术的需求出发,以全面提升复杂工程系统的安全性和可靠性为目的。重点对复杂工程系统的健康状态评估和剩余使用寿命预测方法展开了理论研究与应用验证,力求为实现复杂工程系统的视情维修提供重要的决策支撑。本文的主要研究内容包括以下几个方面:（1）针对复杂工程系统退化状态难以观测和故障严重程度难以辨识的问题,提出了健康指标构建、健康状态识别以及安全等级评估的一体化及可视化方案。为构建能有效反应复杂工程系统健康状态退化趋势的健康指标,提出了基于深度置信网络的无监督健康指标构建方法。基于构建的健康指标,利用左右型连续隐马尔可夫模型实现健康状态的准确识别。然后,提出了基于健康指标和健康状态识别结果的模糊综合安全等级评估方法,实现了复杂系统安全等级的有效评估。最后,设计了故障预测可视化平台,以方便直观、及时地反映出系统当前的健康和安全状况。（2）针对复杂工程系统结构复杂、参数众多、强非线性的特点,提出了一种数据和模型相结合的剩余使用寿命预测策略。首先基于所提出的能够提取细粒度特征和粗粒度特征的深度循环神经网络进行健康退化趋势的准确识别。然后基于健康指标构建退化模型的状态方程。最后结合粒子滤波算法进行系统剩余使用寿命的预测。此外,针对粒子滤波算法存在的粒子退化现象进而导致预测结果不准确的问题,提出了利用条件变分自动编码器来改进粒子滤波算法的方法,实现了粒子滤波算法预测效果的提升。（3）针对复杂工程系统变量耦合、故障多源多征兆的问题,提出了多故障模式下的故障识别与剩余使用寿命预测框架。为识别出多个故障的退化趋势,提出了可以精准提取系统退化特征的间隙测度深度置信网络。然后,分离出多个故障类型的退化特征,并基于支持向量描述对每一个故障类型进行建模描述。最后,对当前故障类型进行退化建模并利用粒子滤波算法预测出剩余使用寿命的估计值与置信区间,实现多故障模式下的故障识别与剩余使用寿命预测。
陈琦[8]（2020）在《基于隐马尔可夫模型的推荐算法研究》文中研究说明在信息化时代的大背景下,大数据概念随之兴起,海量的数据已经出现在全球各个领域中,全球已经进入了数据大爆炸的时代。这些数据的总量远远超出了普通人能接受,处理和有效利用的范围,海量的信息中充斥着大量冗余的缺乏价值的信息,又进一步干扰了人们对信息的筛选和利用,信息过载由此产生。而推荐算法是处理信息过载问题的一种实用方法。现有的推荐算法大都是基于用户的兴趣偏好不会随着时间变化而设计的。但这是一种相当糟糕的假设,现实中每个人的兴趣总是会发生变化的,从一种静态的角度去解决问题难免会有失偏颇。而隐马尔可夫模型拥有强的大时序建模的能力,故本课题利用了该特点,设计了基于该模型的推荐算法。本方法的重点是攻克推荐算法中用户偏好动态变化的问题。本文结合协同过滤推荐算法和概率模型推荐算法的优缺点,设计了基于隐马尔可夫模型的推荐算法。这种推荐算法在解决用户偏好动态变化问题的同时,还为系统提供了强大的信息挖掘能力,同时规避了概率模型中无法挖掘用户未知偏好的问题。如果直接将隐马尔可夫模型引入到推荐算法上,会面临一系列问题。为此,本文提出了相对应的改进措施。包括用户训练数据集的动态的扩充方法,以及改进的模型训练方法。这些内容规避了隐马尔可夫模型中存在的一些问题,使得这种研究思路能够有效解决问题。本课题最终在分布式大数据计算平台上,设计了一系列的对比实验验证本文提出的推荐算法。最终仿真实验结果说明,本课题提出了基于隐马尔可夫模型的推荐算法效果优于一些经典的推荐算法。在准确率、覆盖率和F指数这些评价推荐系统成效的指标上均有所提升。
魏海浩[9]（2020）在《结合情景上下文FHMM负荷分解的用电侧负荷预测》文中进行了进一步梳理居民用户用电状态的监测与分析能为用户侧需求响应、能效管理、精细化用电服务提供数据支撑。非侵入式负荷监测（Non-Intrusive Load Monitoring,NILM）是实现用户负荷状态监测的重要技术手段。因此本文旨在基于现有的用电侧负荷数据,从负荷特征提取、负荷分解方法两个方面实现居民用电的非侵入式负荷监测并且基于NILM对居民负荷短期预测进行了研究,具体内容如下:电器投切事件探测是负荷特征提取的前提,针对现有事件探测算法存在阈值选取困难的问题,运用功率比算法进行事件探测,对算法的控制参数——窗口宽度进行了讨论。针对部分电器负荷特征重叠的问题,从时域、频域角度提取负荷的稳态特征,对不同电器的同类负荷特征的相似性进行量化,将有功功率、无功功率、电流幅值、谐波畸变率作为模板特征建立负荷特征数据库。针对负荷分解中使用单特征寻优存在识别率低的问题,基于模板特征,建立多负荷特征目标函数优化模型,运用差分进化算法（Differential Evolution,DE）进行负荷分解。考虑到DE存在早熟收敛后期进化慢等问题对DE的变异策略进行改进。针对数学优化的负荷分解模型未考虑多状态电器运行的问题,建立因子隐马尔科夫（Factorial Hidden Markov Model,FHMM）的负荷分解模型,使用维特比算法进行模型的求解,同时针对维特比求解时算法复杂度较高的问题,结合情景上下文信息对状态空间以及状态转移路径进行约束降低维特比算法的复杂度。基于NILM对居民负荷的短期预测进行了研究,首先对单个电器的日负荷序列进行预测,然后将所有电器的预测负荷相加,得到预测日的总负荷序列。考虑到气象因素对预测的影响,将气象因素和负载设备的日负荷序列进行关联分析,根据分析的结果筛选负荷预测的特征量,最后基于BP神经网络分别建立各负载设备的负荷预测模型。针对BPNN收敛速度慢的问题,结合改进DE对网络的参数进行寻优,将反向传播误差函数作为目标函数,对网络的权值和偏置进行优化,将优化后的参数作为网络的初始参数,提高负荷预测模型的准确性。
马健博[10]（2020）在《基于视频序列的步态识别技术研究》文中认为随着公共交通、银行和大型集会活动等安全敏感场合对智能监控和公共安全需求的提升,通过远距离和视频监控中进行身份判断的课题引发了无数学者和相关机构的关注。步态识别技术作为第二代生物识别技术,利用步伐上的细微差别进行身份的识别,可以在与目标距离较远,视频分辨率不高的的情况下完成识别任务,有着重大的学术意义和深远的发展前景。本文将围绕视频序列中的步态识别技术,在步态视频序列的采集、预处理、特征提取和步态识别算法方面进行了如下的研究工作:1)在步态视频序列的采集方式上,提出了一种基于360°折反射全景相机的步态识别采集与实验测试平台,并介绍了平台硬件的相关原理和采集的方式,这种平台结构简单、便于安装、同时可以应用平台对步态识别技术进行相关测试,摆脱了使用数据集在理想环境下的单一测试方式。2)提出了一种基于自适应纹理特征和码本模型的分层运动目标检测算法,采用自适应SILTP算子进行区域级运动目标检测,码本模型进行像素级运动目标检测,对算法进行了数据集上的测试和评价,证明其在复杂环境下具有很好的鲁棒性。3)在步态识别算法的研究方面,提出了一种基于状态空间的步态识别算法。采用条件随机场的方法进行步态特征的识别,进行了条件随机场模型的设计和参数学习的优化。最后在全景实验测试平台测试得到算法的平均准确率达到97.56%,通过ROC曲线计算得到AUC值为0.881,表明算法具有很好的识别精度。4)除了上述算法,还提出了一种基于人工神经网络的步态识别算法。人工神经网络是目前进行步态识别算法的一个热门方向,本文利用CNN网络提取步态视频序列的空间特征,LSTM网络提取步态视频序列在时空上的时序特征。并在全景实验测试平台上测试得到算法平均准确率为97.85%,通过ROC曲线计算得到的AUC值为0.890,表明算法具有很好的识别精度。最后通过国际上主流的步态数据集将进行了上述两种步态识别算法与不同步态识别算法对比实验,结果表明,本文提出的两种算法的准确率分别达到了97.12%和97.64%,均优于其他算法。除此之外,本文还进行了不同干扰因素对算法识别效果的影响实验。从结果可以看出本文提出的两种算法在光照、衣物遮挡和不同行进速度的干扰下算法识别精度下降幅度不超过10%,说明算法拥有很好的鲁棒性,这为算法在实际工作环境中的应用提供了坚定的基础。
二、基于连呼概率密度隐马模型的维特比算法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于连呼概率密度隐马模型的维特比算法（论文提纲范文）
（2）在线EM算法及其在一类隐马尔科夫模型参数估计中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景介绍 |
| 1.2 研究进展现状 |
| 1.2.1 隐马尔科夫模型 |
| 1.2.2 EM算法及在线EM算法 |
| 1.3 本文主要研究问题及章节安排 |
| 2 基础知识 |
| 2.1 参数估计基本概念 |
| 2.1.1 指数族分布 |
| 2.1.2 充分统计量 |
| 2.2 马尔科夫链 |
| 2.3 隐马尔科夫模型 |
| 2.4 有限状态的隐马尔科夫的三个基本问题以及解决算法 |
| 2.4.1 概率计算问题以及前后向算法 |
| 2.4.2 预测问题以及维特比算法 |
| 2.4.3 学习问题以及EM算法 |
| 2.5 随机逼近以及在线EM算法 |
| 2.5.1 随机逼近 |
| 2.5.2 在线EM算法 |
| 2.6 本章小结 |
| 3 基于随机逼近的分块在线EM算法 |
| 3.1 问题描述及模型介绍 |
| 3.2 分块在线EM算法介绍 |
| 3.3 高斯混合模型 |
| 3.3.1 模型及在线算法介绍 |
| 3.3.2 分块在线EM算法在有限高斯混合模型中的应用 |
| 3.4 指数族分布模型 |
| 3.4.1 模型以及在线算法介绍 |
| 3.4.2 分块在线EM算法在指数族分布模型中的应用 |
| 3.5 本章小结 |
| 4 仿真实验 |
| 4.1 有限高斯混合模型模型的数值实验 |
| 4.1.1 模型介绍 |
| 4.1.2 实验结果 |
| 4.1.3 在线EM算法与离线EM算法在有限高斯混合模型中的对比实验 |
| 4.2 指数族分布模型的数值实验 |
| 4.2.1 模型介绍 |
| 4.2.2 实验结果 |
| 4.3 实证分析结果 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（3）工业物联网稀疏协议样本解析技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 静态协议解析技术相关研究 |
| 1.2.2 动态协议解析技术相关研究 |
| 1.2.3 两类协议解析技术比较 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第二章 相关理论和知识 |
| 2.1 工业物联网协议 |
| 2.1.1 工业物联网协议特征 |
| 2.1.2 工业物联网常见协议 |
| 2.2 粒子群算法 |
| 2.2.1 基本粒子群算法 |
| 2.2.2 二进制粒子群算法 |
| 2.3 遗传算法 |
| 2.4 隐马尔可夫算法 |
| 2.5 本章小结 |
| 第三章 基于二进制粒子群算法的稀疏协议解析模型设计 |
| 3.1 基于二进制粒子群算法的稀疏协议解析模型架构 |
| 3.2 基于二进制粒子群算法的协议扩张模型设计 |
| 3.2.1 协议报文预处理 |
| 3.2.2 协议样本扩张流程 |
| 3.2.3 二进制粒子群算法适应度函数 |
| 3.3 基于隐马尔可夫的协议解析模型设计 |
| 3.3.1 协议解析模型假设 |
| 3.3.2 协议解析模型参数训练 |
| 3.3.3 协议解析模型字段预测 |
| 3.4 本章小结 |
| 第四章 基于遗传算法的稀疏协议解析模型设计 |
| 4.1 基于遗传算法的稀疏协议解析模型架构 |
| 4.2 基于遗传算法的协议扩张模型设计 |
| 4.2.1 遗传算法适应度函数 |
| 4.2.2 协议样本选择 |
| 4.2.3 协议样本交叉 |
| 4.2.4 协议样本变异 |
| 4.3 本章小结 |
| 第五章 系统实现与结果分析 |
| 5.1 系统实现 |
| 5.1.1 用户管理 |
| 5.1.2 协议字段解析 |
| 5.2 实验结果分析 |
| 5.2.1 实验环境 |
| 5.2.2 协议扩张模型对比 |
| 5.2.3 BPSO+HMM与GA+HMM协议解析模型对比 |
| 5.2.4 HMM与RNN和LSTM协议解析模型对比 |
| 5.2.5 协议解析结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 一、发表论文 |
| 二、参与课题 |
| 三、专利或软件着作权申请及授权情况 |
| 致谢 |
（4）滚动轴承的健康阶段划分和剩余使用寿命预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 滚动轴承的健康因子构建研究现状 |
| 1.2.2 滚动轴承的健康阶段划分研究现状 |
| 1.2.3 基于深度学习的剩余寿命预测研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 滚动轴承的故障分析与HSMM相关理论 |
| 2.1 滚动轴承的基本结构 |
| 2.2 故障类别分析 |
| 2.2.1 故障特征频率的计算 |
| 2.2.2 包络谱分析 |
| 2.3 HSMM基本理论 |
| 2.3.1 HSMM的定义 |
| 2.3.2 三个基本算法 |
| 2.4 本章小结 |
| 第3章 基于HSMM的滚动轴承剩余使用寿命预测 |
| 3.1 HSMM的模型定阶与健康因子的建立 |
| 3.2 健康阶段划分及故障起始点检测 |
| 3.3 RUL预测及评价指标 |
| 3.4 仿真验证 |
| 3.4.1 IEE-PHM-2012 挑战数据集 |
| 3.4.2 XJTU-SY数据集 |
| 3.5 本章小结 |
| 第4章 基于BiLSTM和注意力机制的剩余寿命预测 |
| 4.1 BiLSTM网络与注意力机制 |
| 4.2 深度学习中dropout方法 |
| 4.3 基于BiLSTM加注意力机制的滚动轴承剩余寿命预测 |
| 4.3.1 网络结构的确定 |
| 4.3.2 激活函数 |
| 4.3.3 标签建立与RUL预测 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间的学术成果 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（5）基于隐马尔可夫模型处理的睡眠分期算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 睡眠分期相关方法研究 |
| 1.2.2 睡眠监测技术研究 |
| 1.3 论文内容及结构安排 |
| 第2章 睡眠分期中的信号源分析 |
| 2.1 睡眠分期理论与相关指标 |
| 2.2 ECG信号的特点 |
| 2.3 BCG信号的特点 |
| 2.4 心冲击图与心电图的关系 |
| 2.5 本章小结 |
| 第3章 分期算法研究 |
| 3.1 脑电信号源的分期算法 |
| 3.2 非脑电信号源的分期算法 |
| 第4章 多参数睡眠分期算法分析与设计 |
| 4.1 心率、呼吸与睡眠分期的相关性 |
| 4.2 BCG信号的预处理 |
| 4.3 心率变异的研究方法 |
| 4.4 算法流程 |
| 4.5 贝叶斯原理应用 |
| 4.6 时变自回归模型的应用 |
| 4.7 隐马尔可夫模型的训练 |
| 4.7.1 前、后向算法 |
| 4.7.2 维特比算法 |
| 4.7.3 Baum-Welch算法 |
| 第5章 睡眠分期算法的实现 |
| 5.1 心跳信号的分离计算 |
| 5.2 基于心率变异性的睡眠时期分类 |
| 5.2.1 心跳间隔的获取 |
| 5.2.2 心跳间隔序列的预处理 |
| 5.2.3 心率变异性特征提取 |
| 5.3 基于隐马尔可夫模型实现睡眠分期算法 |
| 5.4 结合多种生理信号进行算法完善 |
| 5.4.1 结合呼吸率变异特征的分期方法 |
| 5.4.2 结合体动信号的识别检测 |
| 5.5 睡眠分期结果 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
（6）基于持续时间隐马尔可夫模型的心音分割算法（论文提纲范文）
| 引言 |
| 1 模型与方法 |
| 1.1 数据来源 |
| 1.2 心音信号的具体分割流程 |
| 1.3 信号标注 |
| 1.4 心动周期的提取 |
| 1.5 心动周期持续时间的高斯建模 |
| 1.6 心音信号的DHMM建模 |
| 1.7 维特比算法寻找最优序列 |
| 2 实验结果与分析 |
| 2.1 实验环境与数据说明 |
| 2.2 评价指标 |
| 2.3 实验结果 |
| 2.4 讨论 |
| 3 结论 |
（7）面向复杂工程系统的故障预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障预测与健康管理的研究现状 |
| 1.2.2 故障预测的研究现状 |
| 1.3 存在的问题和挑战 |
| 1.4 论文的主要内容与章节安排 |
| 2 基于DBN的健康状态退化趋势识别 |
| 2.1 引言 |
| 2.2 基本理论 |
| 2.2.1 RBM |
| 2.2.2 DBN |
| 2.3 基于DDBN的无监督健康指标构建方法 |
| 2.4 实验验证 |
| 2.4.1 航空发动机数据集 |
| 2.4.2 实验结果 |
| 2.5 本章小结 |
| 3 基于连续HMM的健康状态动态划分与主动感知 |
| 3.1 引言 |
| 3.2 基本理论 |
| 3.2.1 马尔可夫过程 |
| 3.2.2 HMM原理 |
| 3.3 基于CHMM的健康状态识别方法 |
| 3.4 实验验证 |
| 3.5 本章小结 |
| 4 基于RNN和PF的大数据复杂环境下剩余使用寿命预测 |
| 4.1 引言 |
| 4.2 基本理论 |
| 4.2.1 RNN |
| 4.2.2 PF |
| 4.2.3 VAE |
| 4.3 基于deep RNN和PF的剩余使用寿命预测方法 |
| 4.4 基于CVAE的改进PF方法 |
| 4.5 实验验证 |
| 4.5.1 带钢热轧过程验证 |
| 4.5.2 锂电池退化过程验证 |
| 4.6 本章小结 |
| 5 基于SVDD的多故障模式下故障识别与剩余使用寿命预测 |
| 5.1 引言 |
| 5.2 基本理论 |
| 5.2.1 Gap metric |
| 5.2.2 SVDD |
| 5.3 基于Gap-DBN和SVDD的多故障模式下故障识别与预测方法 |
| 5.3.1 基于Gap-DBN的退化特征提取 |
| 5.3.2 基于SVDD的故障监测与识别 |
| 5.3.3 基于自适应故障阈值的RUL预测 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 6 基于模糊综合评价的安全等级层次化综合评估与可视化 |
| 6.1 引言 |
| 6.2 基本理论 |
| 6.2.1 层次分析法 |
| 6.2.2 模糊综合评价 |
| 6.2.3 可视化平台开发环境 |
| 6.3 基于模糊综合评价的安全等级层次化综合评估方法 |
| 6.4 基于安全等级评估一体化设计的故障预测可视化平台 |
| 6.5 实验验证 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 研究工作总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（8）基于隐马尔可夫模型的推荐算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.1.1 数据大爆炸与信息过载 |
| 1.1.2 搜索引擎技术 |
| 1.1.3 推荐系统的发展 |
| 1.2 国内外研究现状 |
| 1.2.1 推荐算法研究现状 |
| 1.2.2 推荐算法存在的问题 |
| 1.3 本文主要研究工作 |
| 1.4 论文的结构安排 |
| 第二章 相关的理论与知识 |
| 2.1 常见的经典的推荐算法 |
| 2.1.1 基于内容的推荐算法 |
| 2.1.2 基于协同过滤的推荐算法 |
| 2.1.3 基于知识的推荐算法 |
| 2.1.4 组合推荐算法 |
| 2.2 推荐系统评估指标 |
| 2.3 隐马尔可夫模型 |
| 2.3.1 马尔可夫过程 |
| 2.3.2 隐马尔可夫模型 |
| 2.4 本章小结 |
| 第三章 基于隐马尔可夫模型的推荐算法 |
| 3.1 基于概率模型的推荐算法 |
| 3.2 概率模型的数据集的扩充 |
| 3.3 观测矩阵的高斯混合模型 |
| 3.3.1 高斯混合模型求解 |
| 3.3.2 高斯混合模型求解方法 |
| 3.4 基于混合高斯模型的隐马尔可夫模型 |
| 3.5 维特比算法 |
| 3.6 基于隐马尔可夫模型的推荐算法的流程 |
| 3.7 本章小结 |
| 第四章 实验分析 |
| 4.1 实验平台 |
| 4.2 实验数据集 |
| 4.3 实验设计与结果分析 |
| 4.3.1 动态调整数据集方法中算法参数对比 |
| 4.3.2 固定的阈值γ_0和动态调整数据集方法的对比 |
| 4.3.3 基于隐马尔可夫模型的推荐算法和其它推荐算法的对比 |
| 4.4 本章小结 |
| 总结 |
| 参考文献 |
| 致谢 |
（9）结合情景上下文FHMM负荷分解的用电侧负荷预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文主要创新点 |
| 1.5 论文组织结构 |
| 1.6 本章小结 |
| 第二章 非侵入式负荷特征提取研究 |
| 2.1 引言 |
| 2.2 非侵入式负荷监测架构 |
| 2.3 事件探测算法 |
| 2.4 功率比事件探测算法 |
| 2.4.1 功率比事件探测算法原理 |
| 2.4.2 功率比算法窗口宽度的取值研究 |
| 2.5 负荷特征提取研究 |
| 2.5.1 稳态特征提取 |
| 2.5.2 负荷特征数据库 |
| 2.6 本章小结 |
| 第三章 非侵入式负荷分解算法研究 |
| 3.1 引言 |
| 3.2 基于改进差分进化算法的非侵入式负荷分解方法 |
| 3.2.1 非侵入式负荷分解的数学优化模型 |
| 3.2.2 差分进化算法 |
| 3.2.3 改进差分进化算法 |
| 3.2.4 改进差分进化算法的 NILM 实现 |
| 3.2.5 控制参数对负荷分解的影响 |
| 3.2.6 算例分析 |
| 3.3 基于结合情景上下文的FHMM负荷分解方法 |
| 3.3.1 基于因子隐马尔科夫的总负荷模型 |
| 3.3.2 基于高斯混合模型的负荷状态聚类 |
| 3.3.3 FHMM总负荷模型参数估计 |
| 3.3.4 结合情景上下文信息的维特比算法的负荷状态估计 |
| 3.3.5 算例分析 |
| 3.4 本章小结 |
| 第四章 基于非侵入式负荷分解的居民负荷短期预测 |
| 4.1 引言 |
| 4.2 气象因素对短期负荷预测的影响分析 |
| 4.3 基于DE优化BP神经网络的负荷预测模型 |
| 4.3.1 BP神经网络 |
| 4.3.2 DE优化BP神经网络 |
| 4.3.3 模型实现 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录A:攻读硕士期间取得的研究成果 |
（10）基于视频序列的步态识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 步态识别技术的国内外研究现状 |
| 1.3 论文的主要研究内容和章节安排 |
| 第2章 步态视频序列的采集方式与预处理算法研究 |
| 2.1 基于360°折反射全景相机步态识别采集与实验测试平台搭建 |
| 2.1.1 视频采集设备介绍 |
| 2.1.2 步态视频序列的采集方法及特点 |
| 2.2 运动目标检测算法背景介绍 |
| 2.3 基于自适应纹理特征和码本模型的分层运动目标检测算法设计 |
| 2.3.1 自适应SILTP算子运动目标检测 |
| 2.3.2 分层处理 |
| 2.3.3 码本模型运动目标检测 |
| 2.4 运动目标检测结果评价 |
| 2.5 本章小结 |
| 第3章 基于状态空间的步态识别算法研究 |
| 3.1 状态空间算法背景介绍 |
| 3.1.1 隐马尔可夫模型(HMM) |
| 3.1.2 最大熵隐马尔可夫模型(MEMM) |
| 3.1.3 条件随机场(CRF) |
| 3.2 条件随机场(CRF)基本原理 |
| 3.2.1 条件随机场的表达方式 |
| 3.2.2 条件随机场概率计算问题及解决算法 |
| 3.2.3 条件随机场模型的解码问题及解决算法 |
| 3.2.4 条件随机场模型的参数学习问题 |
| 3.3 基于状态空间的步态识别算法设计 |
| 3.3.1 步态特征提取 |
| 3.3.2 算法模型结构设计 |
| 3.3.3 算法模型的参数学习及优化 |
| 3.4 基于状态空间的步态识别结果评价 |
| 3.4.1 结果评价实验方法 |
| 3.4.2 基于状态空间的步态识别算法评价结果 |
| 3.5 本章小结 |
| 第4章 基于人工神经网络的步态识别算法研究 |
| 4.1 卷积神经网络(CNN)结构及原理介绍 |
| 4.2 长短时记忆网络(LSTM)结构及原理介绍 |
| 4.3 基于人工神经网络的步态识别算法设计 |
| 4.3.1 算法模型结构设计 |
| 4.3.2 模型的参数学习及优化 |
| 4.4 基于人工神经网络的步态识别算法结果评价 |
| 4.5 本章小结 |
| 第5章 实验与分析 |
| 5.1 基于数据集的步态识别算法准确率对比实验 |
| 5.1.1 步态识别数据集介绍 |
| 5.1.2 CASIA步态识别数据集验证结果 |
| 5.1.3 CMU Mobo步态识别数据集验证结果 |
| 5.2 各种干扰因素影响实验 |
| 5.2.1 复杂光照环境对算法结果的影响 |
| 5.2.2 衣物遮挡环境下对算法结果的影响 |
| 5.2.3 不同行进速度对算法结果的影响 |
| 5.3 综合结果分析 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
四、基于连呼概率密度隐马模型的维特比算法（论文参考文献）
- [1]基于卷积算子与隐马尔可夫模型的医学图像识别[D]. 李国梁. 江苏科技大学, 2021
- [2]在线EM算法及其在一类隐马尔科夫模型参数估计中的应用[D]. 巫一舟. 大连理工大学, 2021(01)
- [3]工业物联网稀疏协议样本解析技术研究[D]. 沈加龙. 北方工业大学, 2021(01)
- [4]滚动轴承的健康阶段划分和剩余使用寿命预测研究[D]. 吴洪伟. 武汉科技大学, 2021(01)
- [5]基于隐马尔可夫模型处理的睡眠分期算法研究[D]. 张钦同. 西华师范大学, 2021(12)
- [6]基于持续时间隐马尔可夫模型的心音分割算法[J]. 奎皓然,潘家华,宗容,杨宏波,粟炜,王威廉. 生物医学工程学杂志, 2020(05)
- [7]面向复杂工程系统的故障预测方法研究[D]. 焦瑞华. 北京科技大学, 2020(01)
- [8]基于隐马尔可夫模型的推荐算法研究[D]. 陈琦. 哈尔滨工业大学, 2020(01)
- [9]结合情景上下文FHMM负荷分解的用电侧负荷预测[D]. 魏海浩. 昆明理工大学, 2020(05)
- [10]基于视频序列的步态识别技术研究[D]. 马健博. 长春理工大学, 2020(01)