导读:本文包含了隐马尔则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:步态识别,隐马尔可夫模型,步态阶段,滑动平均滤波
隐马尔则夫模型论文文献综述
刘畅,魏忠诚,张春华,王巍,赵继军[1]（2019）在《基于隐马尔可夫模型的步态识别算法》一文中研究指出为降低数据噪声的干扰,提高步态识别的有效性,提出一种基于隐马尔可夫模型的步态识别算法(GR-HMM)。利用滑动平均滤波模型对步态数据进行去噪预处理,建立观测序列;基于GR-HMM算法计算观测序列概率,重估迭代至观测序列概率收敛,得到GR-HMM算法的参数模型;对步态数据进行步态阶段识别及步态关键事件定位。基于Shimmer IMU采集的数据对算法进行训练和分析评估,实验结果表明,GR-HMM算法的步态阶段识别灵敏度和特异性分别可达93.1%和96.9%。(本文来源于《计算机工程与设计》期刊2019年12期）
张丽,张涛,张宏伟,王福忠,郭江震[2]（2019）在《一种基于多参量隐马尔可夫模型的负荷辨识方法》一文中研究指出由于电力需求侧负荷形态各异、特性多变,种类繁多,采用传统方法进行负荷辨识时存在识别率不高、模型建立困难、难以推广应用等问题。为此,基于智能负荷控制器(SRLC)的用电参数检测功能和非侵入式负荷监测(NILM)原理,提出一种基于多参量隐马尔可夫模型(MPHMM)的负荷辨识方法。该方法采用4个负载特性参数(电流、有功功率、无功功率、功率因素)作为模型的观测向量,通过模型学习和多次迭代计算,求得与MPHMM模型隐藏状态相匹配的观测序列的最大输出概率和最优状态序列,再采用辅助判别算法对结果进行修正,完成对负荷的最终辨识。通过搭建实验平台对所提方法进行验证。结果表明,该方法辨识准确率可达95%以上,特别是对小功率负荷具有较好的识别效果。(本文来源于《电力系统保护与控制》期刊2019年20期）
王蕊,徐岳皓,石珺,吕博,周阳[3]（2019）在《一种基于隐马尔可夫模型的口令猜测方法》一文中研究指出随着信息时代的发展,信息安全尤其是口令的安全性研究成为热点问题。本文提出一种基于隐马尔可夫模型的口令猜测方法,通过为口令猜测问题建立隐马尔可夫模型,以大量的用户口令数据集为输入,以训练得到的初始状态概率、转换概率、观测概率等信息为依据,对数据集的口令字符组合、顺序等模式进行挖掘,最终以观测序列生成的方式产生新的预测密码,实现口令猜测。(本文来源于《网络安全技术与应用》期刊2019年10期）
肖林英,王怀彬[4]（2019）在《基于隐马尔可夫模型和条件熵的异常流量检测方法研究》一文中研究指出网络发展势头迅猛,网络安全问题成为当今互联网时代的重中之重.本文提出将隐马尔可夫模型应用到流量异常检测中,用统计学的方法来对流量进行分类.从网络层面着手,将数据包中提取到的一些像IP等的属性特征经处理后输入到隐马尔可夫模型(HMM)中进行分类,最后通过模型输出概率值来判断流量的正常异常类型.在模型训练阶段,我们创造性地使用条件熵来优化Baum-Welch参数估计算法,减少了模型的训练的时间.从实验结果和分析比较来看,本文提出的检测方法在检测准确率和效率上都取得了良好的效果.(本文来源于《天津理工大学学报》期刊2019年05期）
杨海霞[5]（2019）在《基于隐马尔可夫模型的收益率波动性研究——以沪深300股指期货为例》一文中研究指出我国2010年推出沪深300股指期货,股指期货市场还在发展过程中。本文以沪深300股指期货的收益率波动性为研究对象,运用隐马尔科夫模型对收益率的波动性进行研究,并对沪深300股指期货的指数进行预测。(本文来源于《广西质量监督导报》期刊2019年09期）
张袁鹏,郑岱堃,李昕哲,孙永健[6]（2019）在《基于隐马尔可夫模型的动态规划检测前跟踪算法》一文中研究指出传统的动态规划检测前跟踪(dynamic programming track-before-detect,DP-TBD)算法能有效实现对匀速直线运动目标的检测跟踪,但其忽略了目标帧间状态转移概率,因此在对机动目标进行检测跟踪时容易受噪声干扰,产生错误的状态关联。对此提出了一种基于隐马尔可夫模型的DP-TBD算法。该算法利用隐马尔可夫模型对目标的运动过程建模,用一系列隐状态表示目标转弯速率并利用隐马尔可夫模型的隐状态估计理论实现对转弯速率的估计和预测,进而得到当前目标状态的预测值,根据此预测状态与下一时刻回波数据分辨单元间的距离来计算转移概率。然后将转移概率应用于DP-TBD算法的能量积累过程中以提高检测跟踪性能。仿真实验基于机动目标,给出了所提算法的检测跟踪性能,并与传统的DP-TBD算法、方向加权DP-TBD算法以及线性最小二乘DP-TBD算法进行了分析比较,验证了该算法的有效性。(本文来源于《系统工程与电子技术》期刊2019年11期）
吴毅斌,翟春平,张宇,田作喜[7]（2019）在《基于隐马尔可夫模型的舰船水下噪声评估方法》一文中研究指出为通过舰船水下噪声评估及时发现舰船存在的异常,采用基于隐马尔可夫模型的评估方法。分别选取舰船正常状态下和异常状态下的水下噪声数据作为两类训练样本,送进隐马尔可夫模型进行训练,得到对应的模型参数;把待评估样本送进经过训练的两类隐马尔可夫模型进行概率估计,概率明显大的模型对应的状态,即为评估判断结果。选取202个数据样本进行试验,测试结果正确率超过95%,表明隐马尔可夫模型有较好的分类判断能力,可用于舰船水下噪声评估。(本文来源于《舰船科学技术》期刊2019年17期）
袁红春,余跃,梅海彬[8]（2019）在《基于隐马尔可夫模型和非合作博弈的功率控制》一文中研究指出降低功耗是无线传感网研究中的重要问题之一。针对现有无线传感网存在功耗高、能量利用率低等问题,本文提出一种基于隐马尔可夫模型和非合作博弈的功率控制方法。证明了该方法中纳什均衡的存在性和唯一性以及隐马尔可夫模型(HMM)在特定条件下的广义平稳性。通过仿真实验将该算法与已有的基于非合作博弈的控制方法进行比较。仿真结果表明,该算法在能量利用率、收敛性、降低功耗方面均优于原有算法,能够有效延长网络生命周期。(本文来源于《山东农业大学学报(自然科学版)》期刊2019年04期）
刘兆伦,张春兰,郭长江,王海羽,武尤[9]（2019）在《改进的多种群算法优化隐马尔可夫模型预测篦压趋势》一文中研究指出以篦冷机关键参数篦下压力为研究对象,提出一种篦压变化趋势预测模型.利用主成分分析对数据降维,以主元序列作为观测序列,构建改进的多种群算法优化隐马尔可夫模型参数.种群内利用轮盘赌算子选择个体,设计双区与均匀行交叉结合的自适应交叉算子避免局部收敛,进行动态变异率的多项式变异操作提高收敛速度,种群间提出混合师生交流机制的自适应移民算子保证多种群协同进化.仿真表明本文算法可收敛到全局最优,能提高收敛精度和速度,利用该算法建立的模型跟踪性能好,预测精度高,能满足对篦压趋势预测的要求.(本文来源于《控制理论与应用》期刊2019年08期）
楼振凯,侯福均,楼旭明[10]（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）
隐马尔则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：
由于电力需求侧负荷形态各异、特性多变,种类繁多,采用传统方法进行负荷辨识时存在识别率不高、模型建立困难、难以推广应用等问题。为此,基于智能负荷控制器(SRLC)的用电参数检测功能和非侵入式负荷监测(NILM)原理,提出一种基于多参量隐马尔可夫模型(MPHMM)的负荷辨识方法。该方法采用4个负载特性参数(电流、有功功率、无功功率、功率因素)作为模型的观测向量,通过模型学习和多次迭代计算,求得与MPHMM模型隐藏状态相匹配的观测序列的最大输出概率和最优状态序列,再采用辅助判别算法对结果进行修正,完成对负荷的最终辨识。通过搭建实验平台对所提方法进行验证。结果表明,该方法辨识准确率可达95%以上,特别是对小功率负荷具有较好的识别效果。
（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。
隐马尔则夫模型论文参考文献
[1].刘畅,魏忠诚,张春华,王巍,赵继军.基于隐马尔可夫模型的步态识别算法[J].计算机工程与设计.2019
[2].张丽,张涛,张宏伟,王福忠,郭江震.一种基于多参量隐马尔可夫模型的负荷辨识方法[J].电力系统保护与控制.2019
[3].王蕊,徐岳皓,石珺,吕博,周阳.一种基于隐马尔可夫模型的口令猜测方法[J].网络安全技术与应用.2019
[4].肖林英,王怀彬.基于隐马尔可夫模型和条件熵的异常流量检测方法研究[J].天津理工大学学报.2019
[5].杨海霞.基于隐马尔可夫模型的收益率波动性研究——以沪深300股指期货为例[J].广西质量监督导报.2019
[6].张袁鹏,郑岱堃,李昕哲,孙永健.基于隐马尔可夫模型的动态规划检测前跟踪算法[J].系统工程与电子技术.2019
[7].吴毅斌,翟春平,张宇,田作喜.基于隐马尔可夫模型的舰船水下噪声评估方法[J].舰船科学技术.2019
[8].袁红春,余跃,梅海彬.基于隐马尔可夫模型和非合作博弈的功率控制[J].山东农业大学学报(自然科学版).2019
[9].刘兆伦,张春兰,郭长江,王海羽,武尤.改进的多种群算法优化隐马尔可夫模型预测篦压趋势[J].控制理论与应用.2019
[10].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