基于小波神经网络的心电数据压缩方法研究

本文在研究心电信号特征的基础上提出了动态心电数据的小波神经网络压缩算法.本算法对原始心电数据实行实时分桢;采用最速梯度下降法优化网络参数.对MIT-BIH数据库中的几组数据进行压缩,给出压缩/重建的实验结果并分析讨论.研究表明:该算法具有参数收敛速度快、数据压缩性能良好的特点.     

BP网络用于心电数据压缩的算法的改进

本文针对ＢＰ网络进行心电数据压缩学习速度慢的问题提出了几项改进措施，形成了新的ＴＰ－ＩＢＰ数据压缩算法，有效改善了ＢＰ网络用于压缩学习速度慢的问题。     

基于HMM的机载设备状态健康评估方法研究

针对机载设备的状态健康评估问题,采用隐马尔科夫模型(HMM)对其进行性能退化程度的评估;首先引入状态条件概率矢量对HMM进行不确定性改进,并推导了其表达式;其次以状态条件概率比值为基础,给出了机载设备状态等级量化分值的计算方法,并据此设计了机载设备状态健康评估流程;最后以飞机发动机温控放大器为例进行仿真验证,结果表明上述方法能够给出直观、准确的状态评估结果.     

基于HMM的蒙古语语音合成技术研究

基于隐马尔科夫模型的语音合成方法是当今语音合成的主流方法,它已被广泛应用于英语、汉语、日语等语音合成系统中。然而基于隐马尔科夫模型的蒙古语的语音合成技术研究还处于空白状态。首次将基于隐马尔科夫模型的语音合成方法用于蒙古语语音合成,并进行了语音合成实验。从最终合成系统的效果来看,合成的语音整体稳定流畅,可懂度高,而且节奏感比较强,主观平均得分为3.80。这为进一步研究基于隐马尔科夫模型的蒙古语语音合成技术奠定了基础。     

基于HMM的DDoS攻击流量检测方法研究

DDo S网络流量在当前网络攻击中扮演着重要的角色,本文提出了一种基于隐马尔科夫模型的DDo S异常网络流量检测系统,并与其它方法进行了比较和结果分析。所提出的方法选取了网络流量的实时特性为研究对象,对流入目标网络的数据源IP地址数量及单位IP平均数据包数量建立了隐马尔科夫模型,实现对网络中的DDo S异常流量进行检测。该方法具有较高的移植性和操作性。     

基于HMM的哈萨克语词性标注研究

词性标注在自然语言信息处理领域中扮演着重要角色,是句法分析、信息抽取、机器翻译等自然语言处理的基础,对于哈萨克语同样如此。在基于词典静态标注的基础上分析了隐马尔科夫模型HMM(H idden M arkovModel)模型参数的选取、数据平滑以及未登录词的处理方法,利用基于统计的方法对哈萨克语熟语料进行训练,然后用V iterb i算法实现词性标注。实验结果表明利用HMM进行词性标注的准确率有所提高。     

基于HMM关键词识别系统

关键词识别是语音识别中一个重要的研究方向。该文提出了一种基于HMM模型的关键词识别方法。研究并实现了一种新的具有无废料模型精度的采用迭代viterbi的解码算法，从而提高了关键词系统的识别效率。     

一种基于HMM的场景识别方法

隐马尔科夫模型作为一种统计分析模型,能够通过观测向量序列计算其隐含状态的概率分布密度。提出一种智能空间中基于HMM的场景识别方法,该方法指定系统相关情境信息,确定隐含场景集和观察情境集,采用部分相关情境信息而非全部情境信息作为场景特征参与场景识别,利用HMM对隐含场景间的关系进行建模,设计了基于HMM的场景识别算法。实验结果表明,采用基于HMM的场景识别方法能够获得较高的识别效率。     

基于HMM的卡尔曼蛇跟踪

隐马尔科夫模型(HMM)提供了一种概率框架融合多量测信息，并能够通过转移概率来表达曲线的平滑性，以得到更准确的量测结果．利用HMM所得到的结果作为量测信息输入到卡尔曼蛇滤波系统中，可明显地增强抗干扰能力和跟踪的鲁棒性．从样条向量空间新的内积与范数定义出发，对于形状矩阵的正交化处理可以进一步增强滤波系统的稳定性，增加模型与参数的可控性。     

基于HMM的关键词识别系统

关键词识别是语音识别中一个重要的研究方向.该文提出了一种基于HMM模型的关键词识别方法.研究并实现了一种新的具有无废料模型精度的采用迭代viterbi的解码算法,从而提高了关键词系统的识别效率.     

基于HMM的多尺度Wedgelet图像压缩算法

针对小波变换在压缩图像边缘上的不足,提出了率失真意义下的多尺度Wedgelet分析的改进方法,在进行多尺度Wedgelet分解时,将几何一致性考虑到优化准则中,建立了隐Markov模型,并利用Hausdorff距离来衡量图像Wedgelet分解的有效性,使图像近似边缘具有更自然的几何特性。实验结果表明了该算法的有效性。     

一种实时心电图数据压缩算法

提出了一种实时心电图ＥＣＧ数据压缩算法。它是将自适应变门限算法与转折点算法相结合。自适应变门限算法是对ＡＺＴＥＣ算法的改进．它计算ＥＣＧ信号的几个统计参数来确定可变门限值。转折点算法是分析采样点的趋势并只存储每对连续的采样点中的一个。它保留信号的斜坡标志发生变化的峰点和谷点。本文算法兼有这两种算法的优点。这种算法在较高压缩比的情况下重建心电图信号失真较小．     

帧间差值的DCT压缩ECG数据的方法

心电图（ECG）信号具有准确周期性,各个心动周期（称其为帧）的ECG波形极为相似,将相邻两帧的ECG波形数据相减,得到值数据的波形比原始ECG波形量、数据值小、差值数据的DCT有效分量更为集中在低频段,且这些分量的幅度较低,由此,可以得到更高的数据压缩比。因此本文提出了一种利用ECG帧间差值代替原始ECG信号进行DCT变换,并用双码长编码方法对DCT分量进行编码的数据压缩方法。用该方法得到的重构TCG波形具有良好的保真度。     

基于蚁群算法的带截止区均匀量化器的优化及其在ECG数据压缩中的应用

结合小波系数的特点,采用了改进的均匀量化器——带截止区的均匀量化器(USDZQ)对变换后的小波系数进行量化。量化器的参数选取直接影响到ECG数据压缩的质量和压缩比,因此重点研究了USDZQ的参数优化问题,选取了蚁群优化算法(ACO)作为USDZQ参数的优化工具。最后,利用本文算法对MIT-BIH心律失常数据库的ECG信号进行了编码测试。实验结果表明,只要对USDZQ的参数进行合理优化,USDZQ就能获得优于均匀量化的性能,并可以成功地应用于ECG数据压缩中。     

基于HMM的汉语文本识别后处理研究

本文用HMM(Hidden Markov Model)描述汉语文本识别后处理,将汉语语言和单字识别这两个概率模型结合起来,以充分利用单字识别器提供的信息。语言模型的参数由语料库统计得到;单字识别模型的参数为条件概率,经理论分析,它可转化为后验概率来求解。在分析训练样本集单字识别结果的基础上,提出一种统计方法估计候选字的后验概率。HMM在脱机手写体汉语文本识别中的实验表明,后处理性能除取决于语言模型外,还取决于后验概率的精确估计。     

基于隐马尔可夫模型的通信态势估计方法

针对移动通信过程中通信态势无法被预知导致的服务效率较低问题,给出一种基于隐马尔可夫模型的区域通信态势估计方法。根据不同时间点的通信行为特征具有差异性的特点,对通信行为按不同的时间段进行划分,并自适应地给出具体的划分算法,即遗传法或遍历法。挖掘终端行为发生时间、地点以及通信行为之间的内在联系,构建隐马尔可夫模型,利用维特比译码算法对区域内终端位置及通信行为进行估计。仿真结果表明,当模式特征值取0.8时,该方法的终端位置预测成功率在73%左右,通信行为预测成功率在75%左右。     

基于神经网络的多目标数据压缩方法的研究

根据多目标函数优化的理论，提出了多目标优化神经网络的理论模型，研究了一种基于神经网络的多目标数据压缩方法．该方法根据数据特征的变化，自动调整神经网络的结构参数(联接权和偏置值)，以获得在较小的信息损失代价下的尽可能大的数据压缩量．该方法具有自适应能力强、并行处理、知识分布存储和抗干扰等特点．     

基于HMM的英文印刷体识别建模研究

讨论一种基于HMM(隐马尔可夫模型)的英文印刷体识别方法。先将整篇文本图像切分成字母级别,提取出字母轮廓的8方向特征,之后把特征向量进行矢量量化并送入HMM训练识别。根据切分中出现的错误特点,对矢量量化过程和训练算法提出一些改进方法,提高识别率。     

MATLAB环境下的基于HMM模型的语音识别系统

在MATLAB环境下利用语音工具箱Voice Box实现基于连续概率密度隐含马尔科夫模型的汉语语音识别系统。在实时录音的情况下,利用该语音识别系统,不同的人对20条2～8个字的语音命令进行识别,准确率可达到95％,识别时间1．5～3s,实现了小词汇量连续语音的非特定人的实时识别。