基于隱馬爾科夫模型的信號分類.pdf

1、信號分類一直是研究熱點之一，如何對信號進行準確分類也是眾多研究者追求的目標之一。分類在故障診斷和紋理圖像檢索中具有重要作用，在故障診斷運用中，可以通過對故障信號的識別分類，確定故障設備及原因。而在紋理圖像檢索中，良好的分類算法可以為用戶快速的提供準確圖像，滿足用戶需求。近年來，對小波理論和隱馬爾科夫模型的研究都取得了飛速發(fā)展，小波域隱馬爾科夫模型為二者的結合，是目前研究的熱點。
　　本文對基于小波域隱馬爾科夫模型進行了研究，討論了

2、小波域的選擇在信號分類中的影響、以及隱馬爾科夫模型在信號分類中的效果，并將其應用于一維信號和二維信號分類中，分別以齒輪故障信號和紋理圖像檢索為例進行了研究。本文工作如下：
　　1）齒輪故障診斷方法中，采用小波域HMM方法。本文通過建立一個二叉樹隱馬爾科夫模型結構，用小波變換后得到的系數(shù)值，訓練隱馬爾科夫模型參數(shù)，根據(jù)計算測試樣本和模型之間的相似概率值來確定故障信號的類別。小波系數(shù)能很好地表征信號的宏觀和微觀信息，用其來訓練模型參數(shù)

3、能更精確，二叉樹結構的隱馬爾科夫模型可以較好地刻畫小波系數(shù)父子之間的相關性。通過仿真實驗，該方法取得了很好地分類效果。
　　2）在紋理圖像檢索中，提出一種基于抗混疊輪廓波的隱馬爾科夫樹算法。從特征提取和相似性度量兩方面進行了探討，特征提取方面，討論了輪廓波變換和抗混疊輪廓波變換的優(yōu)缺點，抗混疊輪廓波HMT能很好地表征尺度信息和方向信息；相似性度量方面，基于HMM模型的應用中，多采用傳統(tǒng)的KLD來計算兩個模型之間的距離，但由于傳統(tǒng)K