导读:本文包含了隐式半马尔科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:隐马尔科夫,故障诊断,DGA,微状态-宏状态
隐式半马尔科夫模型论文文献综述
李刚,米琛浩,郑顾平,夏彦卫[1]（2019）在《隐式半马尔科夫模型下的变压器故障诊断方法》一文中研究指出变压器运行过程中存在多种状态,能够正确划分运行状态,对变压器的维修和故障诊断有着重要的意义;首先,详细分析了马尔科夫链的衍生模型,并构造了隐式半马尔科夫模型(hidden semi-markov models,HSMM);然后,通过引入"微状态-宏状态"的对应关系,用于在HSMM中描述变压器运行过程中的状态;最后,建立了涵盖变压器历史状态信息,并包含特征提取、状态分类和故障识别过程的HSMM故障诊断流程;通过变压器DGA故障诊断的算例分析,结果表明所述方法的有效性。(本文来源于《计算机测量与控制》期刊2019年05期）
周晓辉[2]（2017）在《基于隐式马尔科夫模型的法律命名实体识别模型的设计与应用》一文中研究指出用自然语言处理(Natural Language Processing,NLP)技术分析法律文本,能够为法律工作者提供有效的法律依据,从而辅助法律决策和立法。因此,如何利用NLP技术有效地处理法律文本已经成为一个重要的研究课题。命名实体识别是自然语言处理中最重要的任务之一,然而,法律命名实体往往比普通命名实体拥有更多的嵌套层次,对法律类文本的命名实体识别难度相对较大。针对此背景,本论文提出了一种基于隐式马尔科夫模型(Hidden Markov Model,HMM)的法律文本命名实体识别(Named Entity Recognition,NER)模型,用于中文法律文本的命名实体识别和实体关系抽取。本文首先调查研究了国内外中文NER技术的发展现状、中文分词技术研究现状、中文信息抽取技术研究现状、以及法律文本分析模型的研究现状,之后介绍了HMM模型的假设和构建过程,并叙述了HMM模型的建模、训练与求解过程。随后,本文提出了一个基于隐式马尔科夫的法律命名实体识别模型。该模型使用多个HMM模型串联对文本进行由浅至深层次的实体识别,先使用N元模型对语句进行分词,低层HMM模型的输出作为高层HMM模型的输入,并利用搜索引擎识别并消解同义命名实体,从而完成针对法律文本的命名实体识别过程。之后,本文使用公开的数据集和法律文本数据集对提出的模型进行测试,并与目前NER效果最好的叁个模型进行对比实验,本文提出的模型在实验中对人名的识别F-1值达到了90%,地理名和机构名结果F-1值也均高于其他叁种模型,证明本文提出的模型有更好的命名实体识别效果。其次,在基于隐式马尔科夫的法律命名实体识别模型的基础上,本文又设计和开发了法律文本分析平台,该平台能够完成信息检索、实体关系知识图谱绘制等文本处理功能,为文本分析研究者和法律工作者提供了便利的文本分析工具。最后,本文对开发的法律文本分析平台进行系统测试,测试结果同样证明了基于隐式马尔科夫的法律命名实体识别模型能够有效地完成针对法律文本的NER任务。(本文来源于《华南理工大学》期刊2017-04-28）
李宏升,徐洪章[3]（2013）在《基于隐式马尔科夫参数模型的图像消噪研究》一文中研究指出针对隐式马尔科夫模型在图像消噪中的不足,采用参数求解方法。首先对参数模型叁元组确定其限制条件,通过递归计算状态概率,通过最大似然估计来使期望最大化,期望最大化过程包括期望过程和最大化过程;在图像消噪中提取观察信号过程利用Kullback-Leibler距离设置其阈值,最终给出了参数解。实验仿真表明本文算法能够保持图像有用信息,执行速度快。(本文来源于《激光与红外》期刊2013年10期）
汪可,杨丽君,廖瑞金,齐超亮,周湶[4]（2011）在《基于离散隐式马尔科夫模型的局部放电模式识别》一文中研究指出利用绝缘试品在升、降压过程中的视在放电量-施加电压序列作为局部放电特征量,并将离散隐式马尔科夫模型分类器引入局部放电模式识别的研究中。该算法首先利用矢量量化方法通过对码本生成样本集进行LBG编码构造码本,并分别对各类放电的训练和测试样本分配码本索引序列。在分类器的训练阶段,输入训练样本序列训练得到每类放电的离散隐式马尔科夫模型。在测试阶段,计算每类离散隐式马尔科夫模型输出测试样本序列的概率,取最大概率对应的模型序号作为识别结果。对5类放电的150个样本的识别结果表明,离散隐式马尔科夫模型具有识别率高、易扩展的优点。(本文来源于《电工技术学报》期刊2011年08期）
宗长富,王畅,何磊,郑宏宇,张泽星[5]（2011）在《基于双层隐式马尔科夫模型的驾驶意图辨识》一文中研究指出构建了一种双层隐式马尔科夫模型结构,用于实时辨识驾驶员复合工况下的驾驶意图,并在驾驶模拟器上对坡道起步、紧急避障和弯道制动等复合工况进行了验证。结果表明,该模型可准确、高效地辨识各个单一和复合工况下的驾驶意图,为线控汽车的集成控制奠定基础,提高线控汽车的安全性和减轻驾驶员负担。(本文来源于《汽车工程》期刊2011年08期）
彭颖[6]（2011）在《基于退化隐式半马尔科夫模型的设备健康预测及系统性维护策略研究》一文中研究指出设备的保养、维护及运行状态直接影响着企业的生产质量和经济效益,因此,设备维护在企业中的地位和作用日益突出,成为企业降低运营成本,赢得竞争优势的重要手段。由于科学技术的飞速发展,机械设备结构以及故障产生的机理日益复杂,传统的维护方法和理念已逐渐不能胜任保证设备正常运作的工作。半个世纪以来,设备维护管理在经历了事后维护、计划维护、预测维护等阶段后,出现了多种不同的设备维护方式,基于状态的维护(CBM,Condition based maintenance)便是其一。CBM利用诊断技术监测系统或设备中关键性组件的当前“状态”,预测未来趋势,并根据这些信息做出优化的维护决策。性能优秀的CBM模型可以降低系统或设备的失效概率,降低维护成本和物流成本,同时保障系统安全生产的可靠性和设备的利用率。CBM通常包括数据提取,故障诊断,故障预测和策略优化四个模块。模型建立在大量的历史数据上,建模过程涉及到大量的数据挖掘知识和优化建模理论的应用。在本论文的文献综述工作中,对目前已发表的百余篇设备预测相关论文进行了阅读和整理,将目前应用于设备预测的技术按其所适用模型分为了四类(1)物理模型,(2)基于知识库模型,(3)数据挖掘模型,(4)组合模型。在对各种技术分类进行的总数介绍中,分析了这些技术自身的优势和缺点,讨论了设备预测在未来研究领域中的可能发展趋势和方向。在分析国际上设备健康状态预测技术的发展并结合目前设备维护实际情况的基础上,本文主要完成以下叁部分研究内容:(1)提出一个基于隐式半马尔科夫方法的设备剩余寿命预测模型。在用于诊断设备健康状态和预测有效剩余寿命的隐式半马尔科夫模型中,引入了老化因子来描述设备性能的退化趋势。老化因子的设计采用了常数,乘数,指数叁种形式,并按照其作用对象分别做了公式推导和讨论。老化因子估计值的优化基于最大似然函数,采用了一个双重迭代模型来逼近最优值。最后使用采集自液压泵的实时监控振动数据对模型进行训练,对叁类老化因子的性能进行了比较和评估。(2)针对不完全数据的处理问题上,从数据的准备方面来提高预测模型的性能和预测精度。数据的填充算法采用了灰色模型,并设计了一个前向-后向的灰色算法,最大程度上利用了缺失数据值邻近的观测数据信息。同时将灰色模型与隐式半马尔科夫模型结合,通过迭代来提高缺失数据估计值的精确度。在案例分析中,采用传统中较常用的平均值填补法作为比较对象,灰色迭代填补算法在误差均值和误差方差上的统计结果都显示更优。(3)研究如何将预测分析模型输出的数据运用到设备动态维护策略中,提高了预测分析用于实际生产维护计划制定的可能性。维护策略的制定上,兼顾了维护成本和设备利用率两个指标,并将备件库存成本纳入总维护成本目标函数中,建立了一个包含备件库存优化模型的双层动态规划维护策略优化模型。仿真数据的统计结果表明,较传统的静态维护策略而言,动态规划策略可以节约维护成本,同时提高设备利用率。同时通过调整输入参数中的备件库存相关参数,优化的维护策略也会发生相应变化,体现了备件库存对最优维护策略的影响。以上叁个研究内容相互之间联系紧密,构成了一个系统性的CBM预测维护框架。灰色迭代模型对缺失数据进行了预处理,将经灰色模型补全后的数据作为退化隐式半马尔科夫预测模型的输入,对模型进行训练,测试和更新。同时预测模型输出的设备健康状态和剩余寿命预测信息作为动态维护策略模型的输入参数,根据设备的健康状态制定出优化的维护策略。本文的研究工作是CBM智能维护技术的重要组成部分,能够为制造型企业生产系统维护策略的制定提供有用的理论指导和决策支持。(本文来源于《上海交通大学》期刊2011-07-01）
杨险峰,黄强,邹传平[7]（2009）在《基于隐式半马尔科夫模型的柴油机故障诊断研究》一文中研究指出以柴油机连杆套筒磨损为例,建立了用于磨损状况诊断的隐式半马尔科夫模型(HSMM)。将连杆套筒的健康状况分为5级,利用该模型进行故障的监测。试验和仿真结果表明:HSMM模型能较准确地判断出各个不同时期连杆套筒的健康状态,从而正确指导操作者对其进行及时的维护或修理,保证柴油机良好运转。(本文来源于《小型内燃机与摩托车》期刊2009年01期）
陈静,范文兵,甄姬娜[8]（2006）在《基于小波变换及隐式马尔科夫树模型的图像信号去噪》一文中研究指出研究基于小波变换的隐式马尔科夫模型树(HMT)方法,用于去除图像信号中的白噪声。该方法利用了小波变换域系数间的相关性和自相似信息,并在Lenna图像中验证了方法的有效性。对不同程度污染的高斯白噪声图像的去噪效果与传统方法进行比较;结果表明,基于小波变换的HMT方法有更好的去噪效果,所建立的HMT模型更能体现图像的特征。(本文来源于《现代电子技术》期刊2006年02期）
张毅刚,郁惟镛,黄成军,左问[9]（2004）在《基于小波包及隐式马尔科夫模型的局放信号去噪》一文中研究指出将基于小波变换的隐式马尔科夫模型(HMM)方法改进并扩展至小波包域,用于去除发电机局部放电信号中的白噪声.采用实测的局部放电信号验证了方法的有效性.结果表明,对比传统的门限去噪算法,基于小波包的HMM方法有更好的去噪效果;而与基于小波变换的HMM方法相比,所建立的模型更能体现信号的特征,对于信号分析乃至进一步的模式识别有着更大的价值.(本文来源于《上海交通大学学报》期刊2004年08期）
张毅刚,郁惟镛,黄成军,左问[10]（2003）在《基于小波包与隐式马尔科夫模型的发电机局部放电信号去噪》一文中研究指出基于小波变换的马尔科夫模型(HMM)由于考虑了小波系数之间的相关性,而且在去噪时不存在待定的自由参数,具有更强的自适应性。本文将 HMM 方法改进并扩展至小波包域,用于去除发电机局部放电信号中的白噪声。我们采用了实测的局放信号验证方法的有效性。结果证明,对比传统的门限去噪算法,基于小波包的 HMM 方法有更好的去噪效果,而与基于小波变换的 HMM 方法相比,建立的模型更能体现信号的特征,对于信号分析乃至进一步的模式式别有着更大的价值。(本文来源于《“电力大系统灾变防治和经济运行重大课题”部分专题暨第九届全国电工数学学术年会论文集》期刊2003-09-01）
隐式半马尔科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：
用自然语言处理(Natural Language Processing,NLP)技术分析法律文本,能够为法律工作者提供有效的法律依据,从而辅助法律决策和立法。因此,如何利用NLP技术有效地处理法律文本已经成为一个重要的研究课题。命名实体识别是自然语言处理中最重要的任务之一,然而,法律命名实体往往比普通命名实体拥有更多的嵌套层次,对法律类文本的命名实体识别难度相对较大。针对此背景,本论文提出了一种基于隐式马尔科夫模型(Hidden Markov Model,HMM)的法律文本命名实体识别(Named Entity Recognition,NER)模型,用于中文法律文本的命名实体识别和实体关系抽取。本文首先调查研究了国内外中文NER技术的发展现状、中文分词技术研究现状、中文信息抽取技术研究现状、以及法律文本分析模型的研究现状,之后介绍了HMM模型的假设和构建过程,并叙述了HMM模型的建模、训练与求解过程。随后,本文提出了一个基于隐式马尔科夫的法律命名实体识别模型。该模型使用多个HMM模型串联对文本进行由浅至深层次的实体识别,先使用N元模型对语句进行分词,低层HMM模型的输出作为高层HMM模型的输入,并利用搜索引擎识别并消解同义命名实体,从而完成针对法律文本的命名实体识别过程。之后,本文使用公开的数据集和法律文本数据集对提出的模型进行测试,并与目前NER效果最好的叁个模型进行对比实验,本文提出的模型在实验中对人名的识别F-1值达到了90%,地理名和机构名结果F-1值也均高于其他叁种模型,证明本文提出的模型有更好的命名实体识别效果。其次,在基于隐式马尔科夫的法律命名实体识别模型的基础上,本文又设计和开发了法律文本分析平台,该平台能够完成信息检索、实体关系知识图谱绘制等文本处理功能,为文本分析研究者和法律工作者提供了便利的文本分析工具。最后,本文对开发的法律文本分析平台进行系统测试,测试结果同样证明了基于隐式马尔科夫的法律命名实体识别模型能够有效地完成针对法律文本的NER任务。
（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。
隐式半马尔科夫模型论文参考文献
[1].李刚,米琛浩,郑顾平,夏彦卫.隐式半马尔科夫模型下的变压器故障诊断方法[J].计算机测量与控制.2019
[2].周晓辉.基于隐式马尔科夫模型的法律命名实体识别模型的设计与应用[D].华南理工大学.2017
[3].李宏升,徐洪章.基于隐式马尔科夫参数模型的图像消噪研究[J].激光与红外.2013
[4].汪可,杨丽君,廖瑞金,齐超亮,周湶.基于离散隐式马尔科夫模型的局部放电模式识别[J].电工技术学报.2011
[5].宗长富,王畅,何磊,郑宏宇,张泽星.基于双层隐式马尔科夫模型的驾驶意图辨识[J].汽车工程.2011
[6].彭颖.基于退化隐式半马尔科夫模型的设备健康预测及系统性维护策略研究[D].上海交通大学.2011
[7].杨险峰,黄强,邹传平.基于隐式半马尔科夫模型的柴油机故障诊断研究[J].小型内燃机与摩托车.2009
[8].陈静,范文兵,甄姬娜.基于小波变换及隐式马尔科夫树模型的图像信号去噪[J].现代电子技术.2006
[9].张毅刚,郁惟镛,黄成军,左问.基于小波包及隐式马尔科夫模型的局放信号去噪[J].上海交通大学学报.2004
[10].张毅刚,郁惟镛,黄成军,左问.基于小波包与隐式马尔科夫模型的发电机局部放电信号去噪[C].“电力大系统灾变防治和经济运行重大课题”部分专题暨第九届全国电工数学学术年会论文集.2003