针对传统hsmm建模算法计算量和存储空间比较大的缺点.docVIP

1 HSMM的原理与快速算法 1.1 HSMM的基本概念 HSMM是HMM的一种扩展形式。HMM是一个双重随机过程,其中一个是Markov链,用于描述状态之间的概率转移关系;另一个随机过程描述状态与观测值之间的统计对应关系。模型中的真实状态不能直接观测,只能通过观测矢量感知它的存在及其特性,故称为隐Markov模型。一个HMM可以由下列参数描述[5]: 1)模型中Markov链的状态数目N.记N个状态为s1,s2…sN,t时刻Markov链所处的状态 为qt,显然qt∈（s1,s2…sN). 2)每个状态对应的可能的观测值数目M.记M个观测值为V1, V2…VM,t时刻的观测值为Ot,则有Ot∈( V1, V2…VM). 3)初始状态概率矢量π.π=(π1,π2…πN),其中:πi=P(q1=si),1≤i≤N. 4)状态转移概率矩阵A.A=(aij)N×N,1≤i,j≤N,其中:aij=P(qt+1=sj|qt=si),1≤i,j≤N. 5)观察值概率矩阵B.B=(bjk)N×M,其中:bjk=P(Ot=Vk|qt=si),1≤j≤N,1≤k≤M. 状态驻留时间分布是HMM应用于故障预测时的一个重要参数,定义为模型在状态i驻留d个时间单位的概率pi(d).HMM中没有专门的参数定义状态驻留时间,但可以通过状态转移矩阵推断其概率分布: 即HMM假设状态驻留时间服从指数分布。实际故障演化过程通常不满足这一条件,这是HMM应用于故障预测时精度不高的重要原因。 为克服这一不足,可以在HMM参数集中增加一项描述状态驻留时间分布的参数pi(d),就得到了HSMM[5].其中: 式中:D为所有状态可能驻留时间的最大值;pi(d)的具体分布由模型训练过程获得,而不必满足 HMM的指数分布假设,故能更为合理的描述实际状态驻留时间。 这样,可以记HSMM为:λ=(N,M,π,A,B,P),其中:P为N×D维概率矩阵,P=(pi(d))N×D. 1.2 HSMM的建模结构 以工程中应用较多的左右无跳转型HSMM为例来说明HSMM的模型结构和运行过程。如图1所示,该模型共经历了N个状态:q1,q2…qN,这里称为父状态,产生了T个观测值。记状态qi产生观测值的个数,即驻留时间为di,则有: 图1 HSMM建模结构示意图 Fig.1 Schematic of HSMM modeling framework 模型中父状态之间的转移服从Markov性,由转移概率决定,即P(qt+1=sj|qt=si)=aij.每个父状态又分为di个子状态qi1,qi2…qidi.子状态之间的转移规律不再服从Markov性,而是与pi(d) 有关。每个子状态产生一个观测值,故父状态qi共产生di个观测值,然后转入下一父状态。重复上述过程,就构成了一个HSMM. 113 HSMM的快速递推算法 应用HSMM时,需解决3个基本问题[5]:1)识别问题:给定模型参数λ和观测序列O,如何计算λ产生O的概率P(O|λ);2)解码问题:给定模型参数λ和观测序列O,如何确定最优状态序列S=(q1,q2…qT),使P(O|λ)最大;3)学习问题:给定观测序列O,如何调整模型参数λ,使P(O|λ)最大,也即模型训练问题。这3个问题通常分别由前向-后向算法、Viterbi算法和参数重估算法解决。由于增加了参数pi(d),传统HSMM建模算法的计算量和存储空间相对于HMM都显著增加,不利于实际应用。文献[7]针对上述3个基本问题,通过定义新的前向-后向变量,并将后向算法与参数重估过程合并,推导了离散HSMM的快速递推算法,显著降低了计算复杂度和存储空间。 本文基于文献[7]的研究结果,开展了应用研究。并根据机电产品信号处理的特点,对算法进行了两点改进: 1)推导了多观测序列参数重估公式。文献[7]中的参数重估公式是在假设只有一个观测序列的条件下推导出来的。由于HSMM是一种统计模型,模型参数由训练样本通过重估过程获得,训练样本的质量直接影响模型的精度。为避免样本选择不当带来的影响,提高模型参数的稳定性,采用了多个观测序列来训练模型。 设L个观测值序列为O(l),l=1…L,其中O(l)=O(l)1…O(l)Tl,假设各个观测序列独立,此时 由于重估算法是以不同事件发生的频率为基础的,故对L个训练序列重估公式修正为: =观测序列在时刻t=1处于状态si的概率= . 式中有关参数的定义参见文献[7]. 2)对状态驻留时间分布进行了参数化。文献[7]中参数pi(d)是离散的,要估计出可靠的 pi(d),需要大量的训练数据。这在装备状态监控中常常无法满足,尤其是缺