手机知网 App
24小时专家级知识服务
打 开
手机知网|搜索

基因表达式编程与HMM融合技术应用研究

张增银

  随着当前智能技术的飞速发展,各种智能方法在机器学习,自然语言理解,语音识别,数据挖掘,自动控制等各个领域得到广泛使用。隐马尔可夫模型作为一种统计模型,在人机交互,机器学习,语音识别,文本信息抽取等领域中获得了重大突破。 隐马尔可夫模型(Hidden Markov Model,HMM)是一种具有学习能力的统计模型,在语音与信息处理诸多领域已经得到了成功的应用,其HMM的参数设置是其能否成功应用的关键,故提取特征矢量和确定HMM状态输出概率密度函数形式是参数设置的重要环节,传统HMM的Baum-Welch算法本质上是一个梯度下降算法,该算法的优点就是收敛速度快,但是在参数估计时极易陷入局部最优从而影响最终的效果。 而作为演化算法家族的新成员的基因表达式编程是在遗传算法和遗传编程的基础上被提出来的,它结合了遗传算法和遗传编程设计的优点,并克服了它们的不足,是遗传算法和遗传编程的继承和发展,在函数发现,参数优化,数学建模等方面较其他进化算法有着明显优势,目前已经成为国际进化计算领域的研究热点。 基于以上原因,考虑将HMM和GEP两者的优点融合在一起进行深入研究,将最新的研究应用到语音识别算法,文本信息抽取,建模等领域以期取得更好的效果。 本文对HMM的训练算法和GEP建模方法进行了研究,主要研究成果如下: (1)对HMM的基本训练算法进行了理论分析,并给出了形式化定义,并在这些定义的基础上,就HMM的三种算法进行具体分析,分析了常用的HMM算法的优点和缺点,并提出自己的见解。 (2)在Candida Ferreira方法的基础上对GEP-PO算法用来优化参数的染色体构造给出了形式化定义,系统分析了如何用该算法进行参数的优化,并对该方法的优点和缺点进行了分析。提出并实现了一种高效的GEP优化HMM的训练算法(GEP-PO-BW-based HMM Algorithms ,GBHA)。 (3)对传统演化算法存在用网络反馈信息导致学习速度较慢的不足,提出一种基于HMM的GEP建模算法(Time Series Prediction with GEP Based on HMM,H-GEPTSP)。 (4)通过实验验证了上述各算法的高效性并取得的预期效果。……   
[关键词]:GEP;遗传算法;HMM;Baum-Welch;最优模型
[文献类型]:硕士论文
[文献出处]:广西师范学院2010年