恐怖组织活动轮廓的隐马尔可夫模型
通过将社交网络影响视为用户感知的影响,开发了用于用户活动的概率模型,其中每个用户的活动根据一个具有隐藏状态的马尔可夫链发展,而该隐藏状态受用户朋友的集体活动影响。通过使用推特上用户活动的大量语料库验证所提出的模型,数值研究表明,在具有足够观察以确保准确模型学习的情况下,所提出的框架比基于更新过程的模型或传统的未耦合的隐藏马尔可夫模型更好地解释了观察到的数据,并展示了所提出方法在预测下一条推文的时间方面的效用。最后,该模型参数空间中的聚类显示出由用户和他的网络之间的互动动态特征化的不同自然群集。
May, 2013
通过研究 1994 年至 2007 年印度尼西亚的恐怖袭击次数,建立出具有自激性质的恐怖活动预测模型,使用 shot noise 过程估计未来袭击的概率,并采用障碍模型来共同建模攻击日的概率和相应的攻击次数,发现由于没有攻击日次数的过多而出现的非攻击日数的剩余,并发动协调攻击的存在,所以最合适的数学模型为具有 shot noise 驱动参数的幂律分布。讨论了模型参数的解释,并评估了这些模型的预测性能。
Mar, 2012
提出了一种新的鲁棒 HDP-HSMM(rHDP-HSMM)方法,用于减少冗余状态的数量,并改善模型估计的一致性。通过模拟研究和使用自然驾驶数据的案例研究来证明该方法在识别和推断驾驶操纵模式方面的有效性。
Nov, 2023
本文介绍了一种自动识别视频监控中群组活动的新方法,提出使用群体代表来处理识别,使用异步隐马尔可夫模型来建模人际关系,并提出了一种既能处理对称性又能处理非对称性群组活动的算法,证明了该方法能够检测人与人之间的分层互动关系,实验结果表明了方法的有效性。
Feb, 2015
本研究重新探讨使用最新的神经模型方法实现隐藏马尔可夫模型(HMM)规模化的挑战,提出了一种方法来快速有效地在大规模状态空间中对 HMM 进行精确推断、紧凑参数化以及有效规范化,取得的实验证明,该方法比之前的 HMM 和 n-gram 方法更准确,为实现最先进的神经模型的性能作出了贡献。
Nov, 2020
提出了一种名为 Pyramidal Hidden Markov Model (PHMM) 的模型,通过采用金字塔式堆叠的方式自适应地识别长期多步随机状态,能够有效处理非平稳和嘈杂数据,建立更准确、全面的长期依赖性进行时间序列预测,实验证明该模型在多元时间序列数据上相比竞争对手有更好的性能。
Oct, 2023
这篇研究提出了一种混合隐藏马尔可夫 - LSTM 模型,用于交通流预测,相比于传统方法,如 Markov 切换 ARIMA 和 LSTM,该模型具有显着的性能提升。
Jul, 2023
本文提出了显式时长的分层狄利克雷过程隐半马可夫模型(HDP-HSMM),并开发了采样算法用于有效的后验推断,这个方法不仅可以为有限的贝叶斯 HSMM 提供新的采样方法,而且可以嵌入到更大的分层贝叶斯模型的采样器中,为贝叶斯推断提供另一种工具。
Mar, 2012
本文提出了一种名为 HMMTxD 的视觉目标跟踪新方法,利用一个隐式马尔可夫模型将来自互补外部跟踪器和检测器的观测融合起来,且无监督地训练该模型以更新部分注释数据,实验结果表明该方法在不同数据集上均优于现有技术。
Apr, 2015
传统的心理健康研究方法包括广义线性模型(GLM)来描述观察到的心理行为测量(问卷摘要得分)的纵向动态。而隐藏马尔可夫模型(HMM)通过有限状态自动机(FSA)的视角应用于行为和神经活动与抑郁之间的关系,以提供更综合和直观的建模和理解框架。
Mar, 2024