为了使得二级或无许可证用户在给定宽带上获取空闲的子带以供使用，针对认知无线电中的宽带频谱感知技术进行研究，提出一种有效的宽带频谱感知算法。算法采用隐马尔可夫模型(HMM)对初级用户的动态行为进行建模，以克服目前宽带感知技术的局限性；其次，利用现有窄带感知技术，将感知频带划分为较小的频道，将其建模为一棵平衡二叉树，并对频谱孔洞进行递归搜索。如果检测到有孔洞在频率上相邻，则将它们合并成一个单一的频谱孔洞，使得认知二级用户的容量在整个频带上最大化。仿真实验结果表明，与现有宽带频谱感知方法相比，提出的宽带频谱感知算法具有更好的感知性能增益和更强的鲁棒性。

提出了一种综合考虑能力威胁、态势威胁和空战意图威胁的超视距空战目标威胁评估新方法。首先, 在能力威胁模型中加入了先敌发射能力威胁和超视距导弹攻击威胁模型; 其次, 针对态势威胁以态势有效性、制导有效性进行修正, 给出一种新的态势威胁计算方法; 然后, 基于隐马尔可夫模型(HMM)实现目标的机动辨识和态势预测, 在此基础上提出了意图威胁建模方法;最后,对综合威胁评估模型进行了仿真, 验证了所提方法在超视距目标威胁评估问题中的有效性。

针对大型室内场所用户移动定位复杂度较高、定位精度较低和定位不合理等问题,提出一种基于隐马尔可夫模型的可见光与惯导融合定位算法。首先在离线建库阶段建立室内停车场地图和定位指纹图,采集每个参考节点的可见光接收信号强度和节点间的距离与角度,建立隐马尔可夫模型。其次,在在线定位阶段,根据用户最大移动速度减小状态转移候选集,并获取可见光信号和运动信息。最后,利用改进的维特比算法进行用户轨迹匹配定位。仿真结果表明:所提算法在2500m 2室内停车场中能准确预测用户的运动轨迹,参考节点的预测准确率约为85%,平均定位误差约为3.35m;与其他4种定位算法相比,所提算法的定位轨迹连续、更平滑、精度更高。

为了满足陆战场识别、民用目标监视等军民多用途应用中目标行为预测需求，需要基于目标位置、运动状态等信息进行推理，实现目标机动意图的有效判断。针对目标原始地理位置无法提供语义信息问题，采用模糊 隶属理论构建道路网格模型，对目标的位置语义特征进行提取，并基于 K最近邻法克服位置误差可能导致的位置语义错误；在位置语义建模基础上，利用隐马尔可夫模型 (HMM)，对目标的机动意图进行推理。最后结合机场 场面监视的应用，通过仿真验证了采用位置语义建模和 K最近邻方法后的行为推理相较于一般隐马尔可夫推理的准确性改善。

为有效区分手写体与印刷体,提出了一种基于卷积神经网络隐层帧特征的分类方法。基于卷积神经网络,提取隐层帧特征,利用高斯混合模型结合隐马尔可夫模型的方法对该特征进行建模,再通过维特比解码算法判定每帧特征的类别。基于帧特征的识别结果,结合文本行图像信息对识别结果进行后处理,确定最终的手写体和印刷体的区域。在签名文书类文本行图像上,相比基线,所提方法对手写体与印刷体分类的识别率提升10.8%和27.57%。在自然场景、表格和带噪文档行验证了其有效性。

为实现铜熔炼过程除尘风机转速的自动调节,提出了基于图像分析技术的烟雾浓度分级方法。通过采样窗对烟雾图像从上至下进行采样,形成时间序列,对每个采样子图进行离散余弦变换(DCT)特征提取,提取的系数视作该时刻隐马尔科夫模型(HMM)隐含状态产生的的观测值,一幅图像则分割成一个完整的HMM序列。通过对4种工况分别建立HMM,每种工况各用30幅图像训练估计模型参数,再对待测烟雾样本图像进行分类。实验结果表明,采用HMM分类的准确率最高可达95%,优于最小二乘支持向量机(LSSVM)的识别效果。

针对当前动作识别技术中通常忽略上下文信息, 且其局部形状描述对噪声敏感, 难以有效处理运动模式的类内变化等不足, 提出一种3D运动轨迹解析耦合隐马尔可夫模型的动作识别算法。定义四种轨迹基元(直线、平面圆弧、左螺旋线与右螺旋线), 采用基于Kalman 的线性平滑器来降低干扰信息与异常值, 将3D轨迹分解和解析成不同的轨迹基元, 充分减少干扰信息对轨迹数据的影响, 同时保持形状和运动特性。为了避免丢失详细的局部形状信息, 设计一种形状描述符, 将轨迹基元进一步分割成子基元, 将每个运动轨迹表示为子基元的时间序列。引入隐马尔可夫模型, 根据运动数据的先验知识来模拟运动分类, 基于最大后验概率准则来进行运动识别。实验结果表明: 与当前流行的动作识别算法比较, 所提算法能有效识别各种动作类别, 对尺度变化, 以及局部噪声和局部遮挡具有更高的识别精度。

为解决运动目标跟踪过程中由于遮挡、光照变化、尺度变化等因素导致的目标易丢失以及传统Camshift跟踪算法中跟踪窗口易发散等问题, 提出一种融合优化的隐马尔可夫模型(HMM)和分块特征匹配的运动目标跟踪算法。首先, 利用主成分分析(PCA)结合特征位置对目标仿射尺度不变特征变换(ASIFT)特征进行降维生成PCA-ASIFT特征, 保留目标关键信息; 其次, 采用粒子滤波最优特征位置优化目标PCA-ASIFT特征的HMM参数; 最后, 通过HSV直方图模型建立目标分块, 赋予不同目标分块相应权重并结合分块特征匹配以改善Camshift算法实现运动目标跟踪。实验结果表明, 在自然场景下, 本文算法能够取得较好的运动目标跟踪效果, 对遮挡、尺度变化等具有较好的稳健性。

针对现有改进的Camshift手势跟踪算法没有考虑光照变化影响下的鲁棒性, 进而降低了动态手势的识别率, 提出一种基于深度预分割结合Camshift跟踪算法的动态手势识别法。通过在Camshift手势跟踪的基础上引入深度信息, 对手势搜索区域进行深度预分割, 改进手势目标匹配概率, 去除非手势肤色区域及光照变化的影响, 最后用隐马尔可夫模型(HMM)进行识别。实验结果表明, 提出的方法在光照变化及肤色干扰的环境下有很好的鲁棒性, 数字0~9的平均识别率可达97.7%。

通过对复合式攻击预测方法的研究,将关联规则、模糊评价法和隐马尔可夫模型相结合,提出了基于模糊—隐马尔可夫模型的复合式攻击预测方法。该方法首先将原始报警信息融合为超级报警信息,进而基于攻击行为的初始概率分布确定初始状态矩阵,根据关联规则确定状态转移矩阵,应用模糊判别法确定观察矩阵,最后应用隐马尔可夫模型中的Forward算法对报警信息隶属的攻击场景进行了识别,Viterbi算法对攻击意图序列进行了预测。仿真实验验证了该方法的有效性。