基于隐马尔科夫模型的轨迹聚类方法研究

发布时间：2017-11-23 10:29

  本文关键词：基于隐马尔科夫模型的轨迹聚类方法研究

  更多相关文章： 隐马尔可夫模型 时间序列 轨迹 相似度计算方法 谱聚类

【摘要】：轨迹作为一种动态特征能更加全面地描述视频内容信息,在多媒体信息处理研究领域得到了广泛地应用,而在该领域中尤其是视频相关研究领域,对轨迹实现聚类分割则是整个研究过程中至关重要的一步,划分结果的好坏将直接影响到后续研究工作的进行。本文主要研究如何根据隐马尔可夫模型的理论和原理实现对视频轨迹的聚类划分。具体来说,主要对以下三个方面进行研究分析：1、建立基于参考隐马尔可夫模型的轨迹距离矩阵。目前现有的基于隐马尔可夫模型的聚类方法通常需要很大的计算量,尤其是建立轨迹距离矩阵的过程,在该过程中需要对整个轨迹数据集中的每一个对象进行训练得到对应的隐马尔可夫模型,然后根据获得的隐马尔可夫模型对数据集中的每一条轨迹进行学习,从而获得轨迹的距离矩阵,这个过程的时间复杂度是O(n2),n指的是轨迹数据数目。针对这个问题,本文提出了使用参考隐马尔可夫模型集来构建轨迹距离矩阵的方法,主要思想就是从整个轨迹数据集中随机选取一定数量的轨迹数据然后对它们进行训练,得到对应的隐马尔可夫模型作为参考隐马尔可夫模型集合ref-HMM,根据获得的ref-HMM,对轨迹数据集中的每一个对象进行学习,得到轨迹的基于ref-HMM的距离矩阵。使用该方法构建距离矩阵的时间复杂度是O(n×r), n是轨迹数目,r是选取的参考轨迹数目。2、使用向量点乘方法计算轨迹对象之间的相似度。在基于隐马尔可夫模型的聚类方法中,POR、YY、SYM、BP、KL距离是经常使用的用于计算轨迹之间相似度的测量方法。前四种距离计算方法简单,但是它们只是考虑了轨迹对象的部分信息,获得的聚类效果并不是很好。KL距离度量方法考虑了轨迹之间的全部信息,而且使用KL距离的聚类效果要比另外四种要好很多,但是该距离计算方法需要很大的计算量。因此本文使用向量点乘的方法计算轨迹之间的相似度,该方法既能够考虑了轨迹之间的全部信息而且计算的时间复杂度要低于KL距离。实验结果表明使用向量点乘方法不仅提高了算法的鲁棒性,同时也提高了算法的聚类质量,当参考轨迹数据集的数目为500时,本文提出的方法就要比使用KL距离的聚类方法高出2%左右。3、使用谱聚类方法对轨迹对象进行聚类分割。谱聚类相对于其他传统的聚类方法(比如k均值等)有很多基础性的优势,谱聚类的过程很容易实现而且效率也比较高。本文通过实验对比发现当轨迹类数目为5时,使用谱聚类获得的结果要比使用k均值高出5%左右,随着轨迹类数目的增加,两种方法获得的结果差距也在增加,当轨迹类数目为25类时,谱聚类要比k均值分割方法高出20%左右。
【学位授予单位】：华东师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP311.13

【相似文献】

中国期刊全文数据库 前10条

1 史笑兴,王太君,何振亚;二阶隐马尔可夫模型的学习算法及其与一阶隐马尔可夫模型的关系[J];应用科学学报;2001年01期

2 胡迎松,朱阿柯,陈刚,陈中新;一种基于二维隐马尔可夫模型的图像分类算法[J];计算机应用;2005年04期

3 张慧丽;;基于混合二阶隐马尔可夫模型的基因结构预测[J];电脑知识与技术(学术交流);2007年14期

4 俞琰;;基于隐马尔可夫模型的招聘网络信息抽取[J];北京电子科技学院学报;2008年04期

5 方浩;许鸿文;蔡益宇;;一种基于语义关系改进的隐马尔可夫模型研究[J];通信技术;2008年05期

6 李玉擰;;二维隐马尔可夫模型的几个等价定义[J];北京工业大学学报;2008年06期

7 俞琰;;基于隐马尔可夫模型的招聘网络信息抽取[J];自动化技术与应用;2008年10期

8 侯昭武;;隐马尔可夫模型的拓朴应用[J];河南师范大学学报(自然科学版);2009年06期

9 刘辉;杨俊安;许学忠;;一种改进的隐马尔可夫模型训练方法及其在声目标识别中的应用[J];电路与系统学报;2011年01期

10 黄岗;;马尔可夫及隐马尔可夫模型的应用[J];电子设计工程;2013年17期

中国重要会议论文全文数据库 前10条

1 史笑兴;王太君;何振亚;;论二阶隐马尔可夫模型与一阶隐马尔可夫模型的关系[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

2 马勇;金峗;顾明亮;赵力;;基于隐马尔可夫模型的汉语方言辨识[A];2009’中国西部地区声学学术交流会论文集[C];2009年

3 吴志强;陈珂;迟惠生;;基于隐马尔可夫模型的有限词汇集内与文本无关的说话人辨认的研究[A];第四届全国人机语音通讯学术会议论文集[C];1996年

4 徐毅琼;李弼程;王波;;隐马尔可夫模型在人脸检测与识别中的应用[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年

5 吴成东;柴佩琪;;基于分类的隐马尔可夫模型的声母识别[A];第一届全国语言识别学术报告与展示会论文集[C];1990年

6 徐东风;周萍;景新幸;;改进隐马尔可夫模型的非线性分段技术应用[A];中国声学学会2007年青年学术会议论文集（下）[C];2007年

7 邢颖;南敬昌;;基于隐马尔可夫模型的人脸检测与识别系统[A];2009年中国智能自动化会议论文集（第三分册）[C];2009年

8 秦勇;莫福源;李昌立;关定华;;基于隐马尔可夫模型的汉语二字词音调模式识别[A];第三届全国人机语音通讯学术会议论文集[C];1994年

9 杨文强;邓明华;钱敏平;;隐马尔可夫模型与剪切位点识别[A];中国运筹学会第六届学术交流会论文集（下卷）[C];2000年

10 马晓川;刘冬;赵荣椿;;孤立短语隐马尔可夫模型自动建模软件的实现[A];第四届全国人机语音通讯学术会议论文集[C];1996年

中国博士学位论文全文数据库 前3条

1 李杰;隐马尔可夫模型的研究及其在图像识别中的应用[D];清华大学;2004年

2 夏丽莎;基于隐马尔可夫模型的故障诊断及相关算法研究[D];华中科技大学;2014年

3 刘韬;基于隐马尔可夫模型与信息融合的设备故障诊断与性能退化评估研究[D];上海交通大学;2014年

中国硕士学位论文全文数据库 前10条

1 吴瑞琪;面向农牧民歌旋律的自动伴奏技术研究[D];河南师范大学;2015年

2 张凯;基于隐马尔可夫模型的频谱预测和感知方法研究[D];南京邮电大学;2015年

3 赵效毓;基于最大熵隐马尔可夫模型的基因启动子识别[D];南京农业大学;2014年

4 白雁飞;基于隐马尔可夫模型的J波识别技术研究[D];太原理工大学;2016年

5 崔晨雨;基于用户经验水平的推荐方法研究[D];清华大学;2015年

6 李若冰;基于贝叶斯网络和隐马尔可夫模型的扑克对手建模研究[D];南京大学;2013年

7 朱超然;基于隐马尔可夫模型的无线传感器网络入侵检测研究[D];华北电力大学(北京);2014年

8 李伦;基于隐马尔可夫模型的VaR度量方法研究[D];华东政法大学;2016年

9 李晓燕;基于隐马尔科夫模型的轨迹聚类方法研究[D];华东师范大学;2016年

10 王宇宁;隐马尔可夫模型在信息抽取中的应用研究[D];大连理工大学;2007年

，

本文编号：1218169