信息与电子工程
信息與電子工程
신식여전자공정
INFORMATION AND ELECTRONIC ENGINEERING
2012年
5期
574-578
,共5页
连续高斯混合密度隐马尔可夫模型%训练算法%状态加权合成
連續高斯混閤密度隱馬爾可伕模型%訓練算法%狀態加權閤成
련속고사혼합밀도은마이가부모형%훈련산법%상태가권합성
为解决隐马尔可夫模型(HMM)中参数很多,实际当中难以提供足够多训练数据的问题,根据观察值序列的状态分布情况,描述了一种基于状态加权合成的连续高斯混合密度隐马尔可夫模型(CGHMM)训练算法,对多个CGHMM模型进行加权合成,并将此方法应用于轴承故障诊断进行仿真实验.实验结果表明,平均训练时间为12.86 s,诊断时间为0.189 s,诊断准确度为96％.可见,多样本状态加权合成的CGHMM轴承故障诊断方法确实有效可行,具有良好的应用前景.
為解決隱馬爾可伕模型(HMM)中參數很多,實際噹中難以提供足夠多訓練數據的問題,根據觀察值序列的狀態分佈情況,描述瞭一種基于狀態加權閤成的連續高斯混閤密度隱馬爾可伕模型(CGHMM)訓練算法,對多箇CGHMM模型進行加權閤成,併將此方法應用于軸承故障診斷進行倣真實驗.實驗結果錶明,平均訓練時間為12.86 s,診斷時間為0.189 s,診斷準確度為96％.可見,多樣本狀態加權閤成的CGHMM軸承故障診斷方法確實有效可行,具有良好的應用前景.
위해결은마이가부모형(HMM)중삼수흔다,실제당중난이제공족구다훈련수거적문제,근거관찰치서렬적상태분포정황,묘술료일충기우상태가권합성적련속고사혼합밀도은마이가부모형(CGHMM)훈련산법,대다개CGHMM모형진행가권합성,병장차방법응용우축승고장진단진행방진실험.실험결과표명,평균훈련시간위12.86 s,진단시간위0.189 s,진단준학도위96％.가견,다양본상태가권합성적CGHMM축승고장진단방법학실유효가행,구유량호적응용전경.
