导读:本文包含了二阶隐马可夫模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:马尔,模型,可夫,算法,词频,参数,词性。
二阶隐马可夫模型论文文献综述
孙璇,李鲁群,江龙泉[1]（2018）在《基于二阶隐马尔可夫模型的新闻分类算法》一文中研究指出提出一种基于二阶隐马尔可夫模型(HMM)的新闻分类算法,旨在提取新闻内容中的类别字,构成特征词集合.以该特征词集合作为不同二阶HMM分类器的观察序列,二阶HMM的隐藏状态反映了文档中词语之间的相关性差异,每个状态表示出现在语料库中的词语的相关性水平.实验结果表明,相比k近邻(k NN)、朴素贝叶斯(Naive Bayes)以及支持向量机(SVM)算法,二阶HMM算法的分类表现更显优势.(本文来源于《上海师范大学学报(自然科学版)》期刊2018年04期）
叶飞,盛昭瀚,徐峰[2]（2018）在《基于二阶隐马尔可夫模型的桥梁健康状况分析与评定》一文中研究指出在桥梁的养护管理中,桥梁健康状况的等级分析评定一般是依据桥梁定期的监测数据而进行的。由于系统误差和随机误差的影响,管理者常常只能得到具有噪声的监测数据。针对桥梁监测数据的测量误差和桥梁累积性病害的影响,运用二阶隐马尔可夫模型和Viterbi算法,提出了一种桥梁健康状况分析与评定方法。计算实验表明,该方法可以有效地揭示桥梁的健康状况,降低测量误差的影响,提高健康状况等级评定的准确度,从而为进一步的桥梁养护管理提供更可靠的依据。(本文来源于《系统管理学报》期刊2018年04期）
黄敬峰[3]（2017）在《基于二阶连续隐马尔可夫模型的股票价格指数预测》一文中研究指出股票价格指数指的是证券交易所选择部分具有代表性的股票通过一定的计算而产生的统计量。作为一个综合价格指标,它描述的是当地股市变动的情况。而股票价格指数变动的预测被认为是金融时间序列预测的一个具有挑战性的任务,正因为如此,越来越多的学者们都争先恐后地投入到了股票价格指数的预测中,使其成为了一个研究热门,因此开发高效的股票价格指数预测模型是非常有意义的。由于股票价格指数具有隐马尔可夫性,本文提出了一种新的基于隐马尔可夫模型的股票价格指数预测方法。通过推导Baum-Welch算法将一阶连续隐马尔可夫模型推广到二阶连续隐马尔可夫模型,结合预测方法预测股票价格指数的涨跌趋势以及涨跌幅度,成功得对股票价格指数进行了预测。本文主要包括以下工作:首先通过收集整理作为经济市场的一个重要衡量指标之一的美国S&P500指数数据,选取了其中2014年7月到11月的美国S&P500指数中的收盘价作为研究对象。利用Matlab画出的散点图可以清晰地发现美国S&P500指数的收盘价变化规律具有复杂的非线性和随机性。接着通过研究隐马尔可夫模型的性质,应用隐马尔可夫模型中对于评估问题、解码问题和学习问题的解决方案,构建了包含两个状态的模型,结合K-Means聚类算法利用二分法提出了一种新的股票价格指数预测模型。并且通过预测结果验证了该模型对于股票价格指数的预测具有一定的有效性和可行性。最后结合实际情况将离散的隐马尔可夫模型推广到连续隐马尔可夫模型,并且将一阶连续隐马尔可夫模型推广到二阶连续隐马尔可夫模型,结合提出的新的预测方法对股票价格指数进行了预测。通过比较两个模型的预测结果可知,二阶连续隐马尔可夫模型在股票价格指数的预测上要优于一阶连续隐马尔可夫模型,并且有着更快的收敛速度以及更高的精确度。(本文来源于《华北电力大学(北京)》期刊2017-03-01）
何洪华,徐敬德,计哲,崔慧娟,唐昆[4]（2011）在《基于二阶隐马尔可夫模型的清浊音恢复算法》一文中研究指出为了解决低速率语音编码中比特受限的问题,提出了一种基于二阶隐马尔可夫模型的清浊音参数恢复算法。该算法采用二阶隐马尔可夫模型,通过归一化的能量参数和LPC倒谱系数估计出序列中的全带清浊音判决和各个子带的清浊音度。解码器实现该算法后,编码器就无需对清浊音参数进行量化传输,从而节约了比特数。实验结果表明,该算法比基于GMM模型的算法能更好地恢复出清浊音信息,全带清浊音误判率减少了5%～20%,合成语音的MOS分比用5 bit的矢量量化(VQ)算法提高了0.03左右,达到了在节约比特数的同时也提高了语音质量的效果。(本文来源于《电讯技术》期刊2011年06期）
周志强,杨卫国[5]（2010）在《二阶隐马尔可夫模型的强大数定律》一文中研究指出本文研究了二阶隐马尔可夫模型的强大数定律。首先我们得到此模型的四元函数的一类平均值的强极限定理,作为推论得到几类状态频率出现的极限定理,最后得到二阶隐马尔可夫模型的强大数定律。(本文来源于《Proceedings of 2010 Asia-Pacific Conference on Information Theory (APCIT 2010)》期刊2010-11-12）
刘洁彬,宋茂强,赵方,杨志宇[6]（2010）在《基于上下文的二阶隐马尔可夫模型》一文中研究指出为体现上下文信息对当前词汇词性的影响,在传统隐马尔可夫模型的基础上提出一种基于上下文的二阶隐马尔可夫模型,并应用于中文词性标注中。针对改进后的统计模型中由于训练数据过少而出现的数据稀疏问题,给出基于指数线性插值改进平滑算法,对参数进行有效平滑。实验表明,基于上下文的二阶隐马尔可夫模型比传统的隐马尔可夫模型具有更高的词性标注正确率和消歧率。(本文来源于《计算机工程》期刊2010年10期）
邹凌云,王正志,黄教民[7]（2008）在《基于序列拓扑和二阶隐马尔可夫模型的跨膜蛋白亚细胞定位预测》一文中研究指出现有蛋白质亚细胞定位方法针对水溶性蛋白质而设计,对跨膜蛋白并不适用。而专门的跨膜拓扑预测器,又不是为亚细胞定位而设计的。文章改进了跨膜拓扑预测器TMPHMMLoc的模型结构,设计了一个新的二阶隐马尔可夫模型;采用推广到二阶模型的Baum-Welch算法估计模型参数,并把将各个亚细胞位置建立的模型整合为一个预测器。数据集上测试结果表明,此方法性能显着优于针对可溶性蛋白设计的支持向量机方法和模糊k最邻近方法,也优于TMPHMMLoc中提出的隐马尔可夫模型方法,是一个有效的跨膜蛋白亚细胞定位预测方法。(本文来源于《激光生物学报》期刊2008年02期）
周顺先,林亚平,王耀南,易叶青[8]（2007）在《基于二阶隐马尔可夫模型的文本信息抽取》一文中研究指出隐马尔可夫模型是文本信息抽取的重要方法之一.在一阶隐马尔可夫模型中,假设状态转移概率和观察值输出概率仅依赖于模型当前的状态,一定程度降低了信息抽取的精确度.而二阶隐马尔可夫模型合理地考虑了概率和模型历史状态的关联性,对错误信息有更强的识别能力.提出了基于二阶隐马尔可夫模型的文本信息抽取算法;分析了二阶隐马尔可夫模型在文本信息抽取中的有效性;仿真实验表明,新的算法比基于一阶隐马尔可夫模型的算法具有更高的抽取精确度.(本文来源于《电子学报》期刊2007年11期）
张慧丽[9]（2007）在《基于混合二阶隐马尔可夫模型的基因结构预测》一文中研究指出在基因预测时,待研究的生物序列中的残基(氨基酸或核甘酸)具有高度的相关性,因此,观测噪声和马尔可夫链不相互独立的条件下的混合隐马尔可夫模型比普通隐马尔可夫模型更适用于基因预测功能。介绍了一种基于混合二阶隐马尔可夫模型(HMM2)的基因识别系统,该系统的预测精度在在核苷酸和外显子水平上均与国外同类研究水平相当。(本文来源于《电脑知识与技术(学术交流)》期刊2007年14期）
杜世平,陈涛[10]（2006）在《与观测信息相关的二阶隐马尔可夫模型的参数估计》一文中研究指出给出了在观测噪声和马尔可夫链不相互独立的条件下与观测信息相关的二阶隐马尔可夫模型的结构及改进模型的前向后向算法与Baum-Welch算法,并导出了改进模型的参数估计公式.(本文来源于《西南师范大学学报(自然科学版)》期刊2006年03期）
二阶隐马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：
在桥梁的养护管理中,桥梁健康状况的等级分析评定一般是依据桥梁定期的监测数据而进行的。由于系统误差和随机误差的影响,管理者常常只能得到具有噪声的监测数据。针对桥梁监测数据的测量误差和桥梁累积性病害的影响,运用二阶隐马尔可夫模型和Viterbi算法,提出了一种桥梁健康状况分析与评定方法。计算实验表明,该方法可以有效地揭示桥梁的健康状况,降低测量误差的影响,提高健康状况等级评定的准确度,从而为进一步的桥梁养护管理提供更可靠的依据。
（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。
二阶隐马可夫模型论文参考文献
[1].孙璇,李鲁群,江龙泉.基于二阶隐马尔可夫模型的新闻分类算法[J].上海师范大学学报(自然科学版).2018
[2].叶飞,盛昭瀚,徐峰.基于二阶隐马尔可夫模型的桥梁健康状况分析与评定[J].系统管理学报.2018
[3].黄敬峰.基于二阶连续隐马尔可夫模型的股票价格指数预测[D].华北电力大学(北京).2017
[4].何洪华,徐敬德,计哲,崔慧娟,唐昆.基于二阶隐马尔可夫模型的清浊音恢复算法[J].电讯技术.2011
[5].周志强,杨卫国.二阶隐马尔可夫模型的强大数定律[C].Proceedingsof2010Asia-PacificConferenceonInformationTheory(APCIT2010).2010
[6].刘洁彬,宋茂强,赵方,杨志宇.基于上下文的二阶隐马尔可夫模型[J].计算机工程.2010
[7].邹凌云,王正志,黄教民.基于序列拓扑和二阶隐马尔可夫模型的跨膜蛋白亚细胞定位预测[J].激光生物学报.2008
[8].周顺先,林亚平,王耀南,易叶青.基于二阶隐马尔可夫模型的文本信息抽取[J].电子学报.2007
[9].张慧丽.基于混合二阶隐马尔可夫模型的基因结构预测[J].电脑知识与技术(学术交流).2007
[10].杜世平,陈涛.与观测信息相关的二阶隐马尔可夫模型的参数估计[J].西南师范大学学报(自然科学版).2006
论文知识图
