导读:本文包含了状态隐马尔可夫模型论文开题报告文献综述及选题提纲参考文献，主要关键词:部分状态可见,贝叶斯分析,动态规划,状态估计
状态隐马尔可夫模型论文文献综述
楼振凯,侯福均,楼旭明[1]（2019）在《部分状态可见的隐马尔可夫模型状态序列的估计方法》一文中研究指出本文考虑了部分状态可见的隐马尔可夫模型的状态序列估计问题,在分析了现有算法无法合理估计状态路径之后,以状态转移概率、观测概率和可见状态作为先验信息,通过贝叶斯分析计算可见状态前后向状态的后验概率,并给出初始条件和递推公式,运用动态规划递推得到每个观测值对应的最可能状态以及最可能的状态路径。最后,本文给出一个系统故障识别的应用例子,验证了所设计算法的可行性。(本文来源于《统计研究》期刊2019年06期）
陈炳才,王西宝,余超,年梅,陶鑫[2]（2018）在《基于被包围状态和马尔可夫模型的显着性检测》一文中研究指出针对图像显着性检测问题,提出一种利用被包围状态和马尔可夫模型进行图像显着性检测的方法。首先,利用被包围状态计算显着性物体的大致区域;其次,使用简单线性迭代聚类(SLIC)算法对原始图像进行处理,得到图像的超像素图,并基于超像素图建立图像的图模型;接着,将距离显着性物体大致区域最远的两条边界的超像素作为虚拟背景吸收节点,利用吸收马尔可夫链计算每个超像素的显着性值,检测出初始的显着图S_1;再以计算出的显着性物体大致区域中的超像素作为虚拟前景吸收节点,利用吸收马尔可夫链检测出初始的显着性图S_2;然后,融合S_1和S_2得到最终的显着图S;最后,利用引导滤波器对显着图S进行平滑处理得到更优的显着图。在两个数据库上的实验结果表明,提出的算法优于现有大多数算法。(本文来源于《计算机科学》期刊2018年10期）
林佳,潘峰,林国营,杨雨瑶,何光宇[3]（2018）在《基于隐马尔可夫模型的用户用电状态识别》一文中研究指出针对生活用电个体用电量小、波动性强、难以预测识别的问题,提出一种利用隐马尔可夫模型对不同场景的用电状态识别方法。从单用户单电器、单用户多电器和多用户多电器逐渐深入分析,研究学习和解码的主要算法,并求解关联概率矩阵。最后,应用该方法对私人电器和公用电器两个场景进行用电活动自识别,准确率达90%以上。(本文来源于《自动化与信息工程》期刊2018年04期）
刘同舜[4]（2018）在《基于隐马尔可夫模型的微铣削刀具磨损状态监测与过程优化》一文中研究指出微铣削加工是指铣削刀具直径在一毫米以下且被加工工件的特征尺寸在一微米到一毫米之间的铣削加工方式。由于加工精度高、加工材料的多样性以及能加工复杂叁维曲面等优点,微铣削已经被广泛地应用于航空航天、国防工业以及生物医学工程等领域中的微型零部件的加工。微铣削过程刀具磨损现象不可避免。刀具磨损必然会增加工件表面粗糙度,降低微铣削加工精度。严重的刀具磨损会引起刀具的崩刃与断裂,损坏被切削的工件和机床。相比与传统铣削,微铣削刀具尺寸急剧下降、主轴转速极大提高,微铣刀磨损十分迅速且非常难以监测。刀具磨损已经成为制约微铣削加工技术发展和应用的主要因素之一。有效的微铣削刀具磨损监测对于提高微铣削加工精度、降低加工成本有重要的意义。本文借助微铣削切削力模型分析微铣刀磨损对切削力的影响,从切削力中提取能够有效反映微铣刀磨损的特征,并利用隐半马尔可夫模型描述微铣削刀具磨损过程,实现微铣刀磨损状态与剩余使用寿命的在线监测。最后根据刀具磨损的监测信息,利用马尔可夫决策模型动态优化微铣削切削方式从而实现切削效益的最大化。全文的主要研究内容与创新之处如下:(1)提取能够判别刀具磨损且与切削条件无关的特征,实现变切削条件刀具磨损监测。从微铣削力学模型出发,分析切削参数和微铣刀磨损影响切削力的方式,进而从切削力信号中提取能够反映微铣刀磨损的特征,剔除切削参数对磨损特征的影响,提取出与切削条件无关的磨损特征。(2)考虑固定切削参数下刀具磨损不同状态停留时间之间的相关性,将切削条件不变的微铣削刀具磨损过程建立成停留时间相关的隐半马尔可夫模型。基于建立的隐半马尔可夫模型,提出有效的微铣削刀具磨损状态在线估计和剩余使用寿命的在线预测算法。(3)针对变切削条件微铣削刀具磨损过程建立切换隐半马尔可夫模型,实现变切削条件下微铣削刀具磨损和剩余使用寿命的精确在线估计。(4)考虑切削效益和微铣刀的成本,将微铣削刀具磨损过程建立为马尔可夫决策模型。利用马尔可夫决策模型,根据实时监测到的磨损信息动态调整切削参数使得微铣刀在其有限的使用寿命内被充分利用,实现切削效益的最大化。(本文来源于《中国科学技术大学》期刊2018-06-04）
崔诗好[5]（2018）在《基于劣化隐马尔可夫模型的设备状态评估研究》一文中研究指出设备维护管理是企业管理的重要组成部分,在降低企业运营成本和增强企业竞争力等方面发挥着重要作用。其发展历经事后维护、定期维护和中途抢修等阶段,目前已进入到基于状态维护(CBM)。故障预测和健康管理(PHM)是CBM的核心内容之一,设备状态评估是PHM的基础步骤,其具有重要的研究意义和学术价值。当前设备状态评估研究过多地从设备故障诊断的角度出发,忽略在出现故障之前设备会出现性能退化的状况。隐马尔可夫模型(HMM)因其优越的性能逐渐被用于设备状态评估领域,并取得良好效果。为更好描述设备健康状态劣化过程,学者们致力于改进传统的HMM。本文针对传统HMM在描述设备劣化过程中设定转移概率为固定值,将劣化因素引入传统HMM中,即劣化HMM。本文具体主要研究内容有:(1)梳理基于传统HMM的设备状态评估过程传统HMM的设备状态评估过程包括叁个部分:数据收集和处理,HMM构建和设备健康状态评估方法。数据收集和处理,介绍了数据预处理、特征提取和特征空间降维。HMM构建,包括HMM的健康状态分级、初始值确定和训练算法。设备健康状态评估方法,采用了最大后验估计的方法。(2)在HMM中引入劣化因子和进行参数估计研究将劣化因素引入HMM中,提出了一个基于考虑劣化因素的HMM的设备状态评估模型。开发了一个双重EM算法,来同时估计初始状态转移概率A_0和劣化因子。(3)构建基于改进HMM的设备状态评估过程设备状态评估过程包括:数据收集和处理,劣化HMM构造和基于劣化HMM的设备状态评估方法。设备状态评估方法部分,本文提出了考虑劣化因素的设备状态评估方法来确定设备健康状态,继而完成基于改进HMM的设备状态评估过程构建。本文最后通过算例展示了所提出的基于改进HMM的设备状态评估过程,算例分析也证明了本文所提模型的有效性和准确性,对于完善现有设备状态评估研究提供了一定支持。(本文来源于《重庆大学》期刊2018-05-01）
张然,辛妍丽,余泽远,唐文虎[6]（2017）在《基于灰色马尔可夫误差反推模型的输电电缆绝缘状态预测》一文中研究指出针对单独运用灰色理论或者马尔可夫理论进行状态预测需要大量的数据,且存在精确度不高的问题,提出了基于灰色马尔可夫误差反推模型的绝缘状态参数准确预测的方法,结合模糊隶属函数和证据合成算法计算了电缆的绝缘状态,运用灰色理论预测了电缆绝缘状态在线监测数据的未来数据,计算了该预测值与原始数据之间的相对误差,基于该相对误差,采用马尔可夫误差模型推算了未来某一时刻灰色预测值与原始数据之间的误差,通过误差公式反推得到了准确的绝缘状态预测数据;同时运用证据合成算法和模糊隶属函数对电缆绝缘状态进行了计算;通过某条110 k V交联聚乙烯单芯电缆的绝缘数据验证了所提出模型的有效性,将模型与传统方法进行了对比。研究结果表明:该模型对数据量需求不大,具有比其他方法更加精确的预测结果。(本文来源于《机电工程》期刊2017年12期）
王西宝[7]（2017）在《基于被包围状态和马尔可夫模型的显着性检测》一文中研究指出显着物体检测在计算机视觉领域是一个长期被研究的问题,近年来越来越受到研究者的重视。显着物体检测的目标是在一幅图像中能够准确高效的检测出吸引人类视觉注意的区域。高效准确的显着性检测已经被应用于互联网和人工智能等领域的图像处理应用中,比如图像检索、图像压缩、图像分割和内容感知的图像编辑等。本论文提出了一种利用被包围状态和马尔可夫模型进行图像显着性检测的方法。与以往利用马尔可夫模型进行显着性检测的方法不同,本论文结合了背景先验线索和前景先验线索进行显着性检测。以往的显着性检测方法往往只是挖掘图像的背景先验线索,而忽略了对前景先验线索的有效利用。对于图像中背景先验线索的挖掘通常趋向于简单的把图像四周作为背景,这样做往往会导致对于显着目标靠近图像边界的图像的显着性检测不够准确。基于此,本论文通过利用被包围状态检测显着物体大致区域,得到前景先验线索。再结合前景先验将距离显着物体大致区域最远的两条边界作为背景先验。首先,与以往算法利用凸包预测显着物体大致区域不同,我们利用被包围状态对眼睛注视点预测计算显着性物体的大致区域更准确。然后,使用简单线性迭代聚类(SLIC)算法对原始图像处理得到图像的超像素图,基于超像素图建立图像的图模型。接着,将距离显着性物体大致区域最远的两条边界的超像素作为虚拟背景吸收节点,利用吸收马尔可夫链计算每个超像素的显着性值,检测出初始的显着图S1。再以计算出的显着性物体大致区域中的超像素作为虚拟前景吸收节点,利用吸收马尔可夫链检测出初始的显着性图S2。最后,融合S1和S2得到最终的显着图S,并且利用引导滤波器对显着图S进行平滑处理。本文在MSRA-1000和ECSSD两个公开的数据库中对本文提出的方法进行测试,测试结果表明本文的算法较以往的算法表现更好。(本文来源于《大连理工大学》期刊2017-05-01）
乔玉龙,王玉斐,李娜[8]（2018）在《基于隐马尔可夫模型的锂电池退化状态识别》一文中研究指出针对电池容量在实际应用中难以测量的问题,从在线传感器直接观测的电压、电流、时间等参数中提取状态特征向量代替容量来表征电池的健康状况。使用隐马尔可夫模型(HMM)作为状态监测器,分别对不同的退化时期建立HMM,通过前向-后向算法对当前观测序列计算相似概率来判断当前电池的健康状况。使用马里兰大学先进寿命周期工程研究中心(CALCE)公开的数据集与BP神经网络进行了对比实验,实验结果表明HMMs对锂电池退化状态有很高的识别率。(本文来源于《应用科技》期刊2018年02期）
葛夕武,朱超,马骏毅,刘强,梁晟杰[9]（2017）在《基于耦合隐马尔可夫模型的输电线路状态评估》一文中研究指出架空输电线路是输电网络的重要组成部分,其运行状态将直接影响整个输电系统的运行可靠性。为了更好地掌握架空输电线路的运行状态,需要准确地对其进行状态评估。为此,提出了一种基于人工智能的机器学习方法—耦合隐马尔可夫模型来对架空输电线路进行状态评估。根据评估要求收集架空输电线路在正常、注意、异常、严重四种状态下的历史评估数据并将数据进行归一化处理。利用该人工智能算法对归一化后的四类数据进行模型训练,得到四组不同状态下的模型参数,建立起正常、注意、异常、严重四个状态的耦合隐马尔可夫模型。将归一化后的评估数据带入建立好的四组模型当中,得到四个状态评估值,其中评估值最大的该组模型所对应的状态组别就是评估数据所反映的线路状态。采用该机器学习模型对某条架空输电线路进行实证分析和评估,并将评估结果与实际的监控情况进行比较。分析和评估结果表明,所提出的方法具有一定的实用性和可行性。(本文来源于《计算机技术与发展》期刊2017年04期）
吴佳,曾惟如,陈瀚霖,唐雪飞[10]（2016）在《基于隐马尔可夫模型的软件状态评估预测方法》一文中研究指出随着软件系统功能和性能的强化和提高,企业的管理效率在不断提升,运营模式也越来越丰富.与此同时,软件系统变得越来越复杂,这向软件系统管理和维护提出了严峻的挑战.如何通过采集系统外部特征参数,对系统内部状态进行客观、准确地评估和预测,成为亟待解决的问题.为此,提出了一种基于隐马尔可夫模型的软件系统状态评估预测方法.该方法基于软件系统外在特征参数,通过K-means方法构建系统的观测状态,并以此建立隐马尔可夫模型,建立起系统外在状态(观测状态)和内部状态(隐藏状态)之间的联系;再利用叁次指数平滑法对具有周期性变化的系统特征参数进行预测,即可预测系统未来状态.针对基于B/S软件架构的信息管理系统的实验,其结果表明该方法对系统状态评估和预测具有较高的准确性.(本文来源于《软件学报》期刊2016年12期）
状态隐马尔可夫模型论文开题报告
（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：
针对图像显着性检测问题,提出一种利用被包围状态和马尔可夫模型进行图像显着性检测的方法。首先,利用被包围状态计算显着性物体的大致区域;其次,使用简单线性迭代聚类(SLIC)算法对原始图像进行处理,得到图像的超像素图,并基于超像素图建立图像的图模型;接着,将距离显着性物体大致区域最远的两条边界的超像素作为虚拟背景吸收节点,利用吸收马尔可夫链计算每个超像素的显着性值,检测出初始的显着图S_1;再以计算出的显着性物体大致区域中的超像素作为虚拟前景吸收节点,利用吸收马尔可夫链检测出初始的显着性图S_2;然后,融合S_1和S_2得到最终的显着图S;最后,利用引导滤波器对显着图S进行平滑处理得到更优的显着图。在两个数据库上的实验结果表明,提出的算法优于现有大多数算法。
（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。
状态隐马尔可夫模型论文参考文献
[1].楼振凯,侯福均,楼旭明.部分状态可见的隐马尔可夫模型状态序列的估计方法[J].统计研究.2019
[2].陈炳才,王西宝,余超,年梅,陶鑫.基于被包围状态和马尔可夫模型的显着性检测[J].计算机科学.2018
[3].林佳,潘峰,林国营,杨雨瑶,何光宇.基于隐马尔可夫模型的用户用电状态识别[J].自动化与信息工程.2018
[4].刘同舜.基于隐马尔可夫模型的微铣削刀具磨损状态监测与过程优化[D].中国科学技术大学.2018
[5].崔诗好.基于劣化隐马尔可夫模型的设备状态评估研究[D].重庆大学.2018
[6].张然,辛妍丽,余泽远,唐文虎.基于灰色马尔可夫误差反推模型的输电电缆绝缘状态预测[J].机电工程.2017
[7].王西宝.基于被包围状态和马尔可夫模型的显着性检测[D].大连理工大学.2017
[8].乔玉龙,王玉斐,李娜.基于隐马尔可夫模型的锂电池退化状态识别[J].应用科技.2018
[9].葛夕武,朱超,马骏毅,刘强,梁晟杰.基于耦合隐马尔可夫模型的输电线路状态评估[J].计算机技术与发展.2017
[10].吴佳,曾惟如,陈瀚霖,唐雪飞.基于隐马尔可夫模型的软件状态评估预测方法[J].软件学报.2016