隐马尔科夫模型的应用领域热点及的趋势分析.docVIP

隐马尔科夫模型的应用领域热点及的趋势分析 　　摘 要：随着隐马尔科夫模型相关理论的进步，在许多领域出现了大量的关于隐马尔科夫模型应用的文献。为厘清国内外对隐马尔科夫模型的研究轨迹，以Web of Science（SCI）中收录的2005-2014年间关于隐马尔科夫模型的应用文献为数据源，利用CiteSpace II对所收集的2826篇研究文献进行可视化分析，使用图谱的形式展示结果，客观全面地分析隐马尔科夫模型的应用领域、研究热点和发展趋势。同时，探究其主要研究国家与研究机构的分布情况，期望能对进一步研究和发展隐马尔科夫模型提供一定的借鉴作用。 　　关键词：CiteSpace II；可视化分析；隐马尔科夫模型；热点应用领域 　　中图分类号：F27 　　文献标识码：A 　　文章编号：1672-3198（2015）15-0063-03 　　1 引言 　　隐马尔科夫模型是一种重要的统计分析模型。其具有双重随机过程，分别由一条隐藏状态的马尔科夫链和描述每个状态对应观测值的随机过程组成。近几十年来，隐马尔科夫模型被广泛地应用于各领域中，比如语音识别、生物学、控制、雷达故障检测和计算机视觉等。随着大数据时代的到来，互联网与金融相互融合，隐马尔科夫模型在海量金融数据中的应用也受到了人们的关注。因此，了解其演进情况和发展趋势，把握当前的应用热点，对深入研究有着重要的意义。 　　美国Drexel大学华人学者陈超美教授基于JAVA平台开发了信息可视化软件CiteSpace II，通过对科学文献题录数据的分析与处理，绘制出知识图谱能够显示一个学科或知识域在一定时期发展的趋势和动向，形成若干研究前沿领域的演进历程。目前，关于隐马尔科夫模型应用进展的文献综述较少。在这样的背景下，本文整理和分析了相关的研究文献，厘清了国内外对隐马尔科夫模型应用研究的演进轨迹。并利用信息可视化分析软件CiteSpace II对近十年的研究文献进行了详细的分析和处理，用图像展示了隐马尔科夫模型的应用领域，用图谱的形式显示了隐马尔科夫模型的应用热点和演化趋势。最后，探讨了隐马尔科夫模型的主要研究国家和研究机构。 　　2 国内外的研究进展 　　Baum和Petrie（1966）提出隐马尔科夫模型（Hidden Markov Model），他们介绍了该模型的一些统计性质，但并未称其为隐马尔科夫模型，而是马尔科夫链的概率函数。隐马尔科夫模型最早应用于语言识别领域中，Raviv（1967）研究了相关问题，并给出马氏依赖假设下的最优决策规则。它主要使用马尔科夫链的状态表示语言的字符。接着，他进行了一系列的实验，并给出每次实验识别系统的字符错误率。除了自然语言领域，隐马尔科夫模型也可用来分析生命现象，Nielsen、Lundegaard和Worning（2003）等人将隐马尔科夫模型与神经网络相结合，预测丙型肝炎病毒的基因组中T细胞表位，以指导疫苗设计的过程。 　　接下来，总结一下近五年应用隐马尔科夫模型的情况，主要是介绍一些被引用较多的研究成果。Conn和Cooch（2009）应用了隐马尔科夫模型架构下的捕获-再捕获模型在疾病研究当中。使用马尔科夫链表示未知的疾病状态，使得参数估计精度大大提高了。Reddy、Mun和Burke（2010）等人运用隐马尔科夫模型创造了一个交通方式识别系统。通过手机数据分析使用者所处的状态，并对16个手机使用者进行实验。Sikorsa、Hodkiewicz和Ma（2011）讨论了多种模型在预测工业设备剩余使用寿命中的应用，文中说明隐马尔科夫模型能较好地运用于设备的监测和预测中，但是计算过程较复杂。 　　近几十年，国内学者在已有研究成果的基础上，对模型进行了改进并具体说明了其在实际当中的应用。应用领域与国外类似，主要是集中在语音和行为识别、分子生物、故障诊断、图像处理和经济等领域。马宝山和朱义胜（2008）将隐马尔科夫模型与前向算法结合，提出一种新的参数优化算法，大大降低了传统EM算法的计算量。仿真结果表明新算法对外显子位置的预测是准确的，能更好地从DNA序列中识别蛋白质编码区。隐马尔科夫模型也常用于入侵检测的研究中，模型的双重随机过程刚好适合描述该网络行为。刘宗礼和孔祥才（2007）使用一条马尔科夫链来描述网络中的正常行为和异常状态，建立了一个基于隐马尔科夫模型的入侵检测模型。但是现实系统并不能完全满足马尔科夫的条件，闫新娟、谭敏生和严亚周（2012）等人在此基础上改进，把隐马尔科夫模型的输出作为神经网络的输入，神经网络的输出即为最终结果，使用混合的检测方法，具有更低的误报率和漏报率。 　　隐马尔科夫模型在文字、图像和行为识别方面的应用，研究文献已经有许多。朱旭东和刘志镜（2012）将模型运用于通过监控视频识别人体异常行为，结合层