检索结果-维普期刊中文期刊服务平台

基于GMM-HMM的话题生命周期状态识别及趋势预测方法被引量：3: 1; 作者朱恒民蔡婷婷魏静《现代情报》 CSSCI 2023年第3期26-32,41,共8页; [目的/意义]本研究对正处于演化过程中的话题进行状态识别及趋势预测,为相关部门了解话题现状,对话题进行有效监管提供科学依据。[方法/过程]首先,考虑网民情感,结合话题的新颖度和关注度,构建话题生命周期状态观测指标;其次,基于隐马... 展开更多; 关键词话题生命周期状态话题状态识别话题趋势预测高斯混合隐马尔可夫模型; 在线阅读下载PDF 职称材料

一种改进GMM-MRF模型的海上红外目标检测被引量：1: 2; 作者仇国庆王艳涛 +2 位作者杨海静魏雅婷罗盼《红外技术》 CSCD 北大核心 2020年第1期62-67,共6页; 目前海上目标检测已在民用和军事领域得到广泛的应用。由于海水波动大、目标成像面积少、特征不显著等特点增大了目标检测难度,为了消除上述的问题,首先提出了一种基于混合高斯-马尔科夫随机场目标检测模型,该模型利用所提出的混合高斯... 展开更多; 关键词红外图像海上目标混合高斯模型马尔科夫随机场; 在线阅读下载PDF 职称材料

基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法被引量：9: 3; 作者于扬梁军 +3 位作者陈龙陈小波朱宁华国栋《中国机械工程》 EI CAS CSCD 北大核心 2020年第23期2874-2882,2890,共10页; 为了有效降低因驾驶员紧急换道行为而诱发的交通事故,提高道路交通事故链阻断效率,提出一种基于高斯混合隐马尔科夫模型(GMM-HMM)和人工神经网络(ANN)的紧急换道行为预测方法。首先利用GMM-HMM对车辆行驶状态以及驾驶行为连续观察序列... 展开更多; 关键词换道行为预测高斯混合隐马尔可夫模型人工神经网络道路交通事故链阻断; 在线阅读下载PDF 职称材料

基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测被引量：3: 4; 作者廉玉波凌和平 +2 位作者王钧斌潘华谢朝《汽车工程》 EI CSCD 北大核心 2023年第1期139-146,共8页; 随着电动汽车在我国的发展,动力电池的安全性能成为评价电动汽车综合产品力的重要指标,其中动力电池热失控的检测对乘车人员的安全至关重要。针对传统热失控检测方法在实际应用中难以准确做出判断的问题,从电池传感器直接观测的电压、... 展开更多; 关键词电池热失控实时预警隐马尔科夫模型混合高斯模型机器学习; 在线阅读下载PDF 职称材料

题名基于GMM-HMM的话题生命周期状态识别及趋势预测方法被引量：3: 1; 作者朱恒民蔡婷婷魏静; 机构南京邮电大学管理学院江苏高校哲学社会科学重点研究基地—信息产业融合创新与应急管理研究中心; 出处《现代情报》 CSSCI 2023年第3期26-32,41,共8页; 基金国家自然科学基金项目“基于主路径网络的舆情传播态势预测与干预研究——以社会化媒体中舆情为对象”(项目编号:71874088) 国家自然科学基金项目“基于阈值的群体事件互联网舆情传递链路预测及监控机制研究”(项目编号:71704085) 江苏省研究生科研与实践创新计划项目“微博舆情话题演化趋势预测研究”(项目编号:KYCX21_0835)。; 文摘 [目的/意义]本研究对正处于演化过程中的话题进行状态识别及趋势预测,为相关部门了解话题现状,对话题进行有效监管提供科学依据。[方法/过程]首先,考虑网民情感,结合话题的新颖度和关注度,构建话题生命周期状态观测指标;其次,基于隐马尔可夫模型(HMM)和高斯混合模型(GMM)的原理,提出话题生命周期状态识别及趋势预测方法;最后,选用微博话题构建数据集,设计对比实验,验证方法的有效性。[结果/结论]基于GMM-HMM的话题状态识别及趋势预测方法的F1值和准确率均高于87%,MAPE低于3.5%,相较于GaussianHMM和BP神经网络具有较大优势。; 关键词话题生命周期状态话题状态识别话题趋势预测高斯混合隐马尔可夫模型; Keywords topic lifecycle status topic status identification topic trend prediction gaussian mixed Hidden markov model; 分类号 G202 [文化科学—传播学]; 在线阅读下载PDF 职称材料

题名一种改进GMM-MRF模型的海上红外目标检测被引量：1: 2; 作者仇国庆王艳涛杨海静魏雅婷罗盼; 机构重庆邮电大学自动化学院; 出处《红外技术》 CSCD 北大核心 2020年第1期62-67,共6页; 基金国家重点研发计划(2018YFB1702200); 文摘目前海上目标检测已在民用和军事领域得到广泛的应用。由于海水波动大、目标成像面积少、特征不显著等特点增大了目标检测难度,为了消除上述的问题,首先提出了一种基于混合高斯-马尔科夫随机场目标检测模型,该模型利用所提出的混合高斯模型自适应调节学习率来抑制动态背景的干扰。然后,利用混合高斯模型对红外图像所计算的结果作为马尔科夫随机场的观测值,建立了马尔科夫随机场模型,可以解决混合高斯模型存在的不足。实验结果表明,本文的方法能够取得良好的检测效果。; 关键词红外图像海上目标混合高斯模型马尔科夫随机场; Keywords infrared image maritime target gaussian mixed model markov random field; 分类号 TN219 [电子电信—物理电子学]; 在线阅读下载PDF 职称材料

题名基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法被引量：9: 3; 作者于扬梁军陈龙陈小波朱宁华国栋; 机构江苏大学汽车工程研究院静冈理工科大学机械系江苏智行未来汽车研究院; 出处《中国机械工程》 EI CAS CSCD 北大核心 2020年第23期2874-2882,2890,共10页; 基金国家重点研发计划资助项目(2018YFB1600500) 国家自然科学基金资助项目(U1664258,51875255,61601203) +1 种基金江苏省高等学校自然科学研究重大项目(18KJA580002)。; 文摘为了有效降低因驾驶员紧急换道行为而诱发的交通事故,提高道路交通事故链阻断效率,提出一种基于高斯混合隐马尔科夫模型(GMM-HMM)和人工神经网络(ANN)的紧急换道行为预测方法。首先利用GMM-HMM对车辆行驶状态以及驾驶行为连续观察序列进行换道意图辨识,采用ANN预测下一时段的驾驶行为,再预测换道过程中的横向加速度变化率,从而判断紧急换道的危险程度。驾驶员在环仿真实验及实车实验结果表明,该方法预测避险成功率达92.83%,实验避险成功率达90.32%。该方法能有效地对紧急换道行为进行提前警告与干预。; 关键词换道行为预测高斯混合隐马尔可夫模型人工神经网络道路交通事故链阻断; Keywords lane-changing behavior prediction gaussian mixed model-hidden markov model(gmm-hmm) artificial neural network(ANN) blocking of chains of road traffic incidents; 分类号 U580.70 [交通运输工程]; 在线阅读下载PDF 职称材料

题名基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测被引量：3: 4; 作者廉玉波凌和平王钧斌潘华谢朝; 机构比亚迪汽车工业有限公司; 出处《汽车工程》 EI CSCD 北大核心 2023年第1期139-146,共8页; 文摘随着电动汽车在我国的发展,动力电池的安全性能成为评价电动汽车综合产品力的重要指标,其中动力电池热失控的检测对乘车人员的安全至关重要。针对传统热失控检测方法在实际应用中难以准确做出判断的问题,从电池传感器直接观测的电压、电流、时间等参数中提取状态特征向量,使用混合高斯模型对特征进行最优化筛选。分别对动力电池不同的安全状态评估其混合概率分布,通过BW方法建立隐马尔可夫模型,利用维特比算法对当前观测序列计算相似概率来判断当前电池的健康状况。实验结果表明,隐马尔可夫模型对动力电池热失控的识别较常见时序检测方法更为准确,可以实现在无需电化学仪器检测的前提下达到初步热失控风险检测的目的,提升安全检测效率,降低检测成本。; 关键词电池热失控实时预警隐马尔科夫模型混合高斯模型机器学习; Keywords battery thermal runaway real-time alert hidden markov model gaussian mixed model machine learning; 分类号 U469.72 [机械工程—车辆工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于GMM-HMM的话题生命周期状态识别及趋势预测方法	朱恒民蔡婷婷魏静	《现代情报》 CSSCI	2023	3	在线阅读下载PDF 职称材料
2	一种改进GMM-MRF模型的海上红外目标检测	仇国庆王艳涛杨海静魏雅婷罗盼	《红外技术》 CSCD 北大核心	2020	1	在线阅读下载PDF 职称材料
3	基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法	于扬梁军陈龙陈小波朱宁华国栋	《中国机械工程》 EI CAS CSCD 北大核心	2020	9	在线阅读下载PDF 职称材料
4	基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测	廉玉波凌和平王钧斌潘华谢朝	《汽车工程》 EI CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料