CN104376324A - 基于信号处理的状态检测方法和装置 - Google Patents
基于信号处理的状态检测方法和装置 Download PDFInfo
- Publication number
- CN104376324A CN104376324A CN201310349404.7A CN201310349404A CN104376324A CN 104376324 A CN104376324 A CN 104376324A CN 201310349404 A CN201310349404 A CN 201310349404A CN 104376324 A CN104376324 A CN 104376324A
- Authority
- CN
- China
- Prior art keywords
- state
- transition probability
- state transition
- probability information
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于信号处理的状态检测方法和装置,其中,该方法包括:在根据第一状态转移概率信息和当前接收到的信号的情况下,调用第二状态转移概率信息替换第一状态转移概率信息,其中,第二状态转移信息用于表示特定状态向其他状态转移的概率;根据之后接收到的信号和第二状态转移概率信息,检测特定状态之后出现的状态。本发明通过根据当前检测的状态调用与当前状态相关的状态转移概率信息,能够针对当前状态到其他状态转移的实际概率,对后续状态进行准确检测,从而灵活适用于各种条件,有效提高了状态检测的准确性,从而更加准确、精细地描述事物的发展规律,能够对各类事件的本质和特质进行合理建模。
Description
技术领域
本发明涉及计算机视觉领域,并且特别地,涉及一种基于信号处理的状态检测方法和装置。
背景技术
隐马尔科夫模型是一种经典的统计分析模型,被广泛地应用于语音识别、自然语言处理、行为识别、计算机图像识别等领域。通过隐马尔科夫模型,可以表现事物内在的发展规律,尤其适用于对有内在发展变化规律的样本进行建模。
隐马尔科夫模型主要包含以下五项基本元素:(1)隐状态数、(2)观察值数、(3)初始状态分别概率、(4)观察值相对于各状态的分布概率、(5)状态转移概率矩阵。通常,模型会首先经过训练阶段,通过分析已知数据可以得到的以上五项参数的唯一确定值。之后,对于给定的一组未知数据,将其作为观察值序列,计算出最符合该观察值序列的模型以及对应的最优的隐状态序列,从而达到对未知数据进行识别(检测数据所表示的状态)的目的。
然而,传统的隐马尔科夫模型中,各项基本参数都是确定的唯一值,并且状态转移概率矩阵也是常量,即,状态转移概率矩阵是唯一的。因此,在依据传统的隐马尔科夫模型进行状态识别时,从每个状态转变为其他状态的概率全部是固定的,但是实际上,影响状态转移的因素是很多的,因此,目前广泛采用的利用隐马尔科夫模型进行状态检测很可能得到错误的结果。
例如,假设在一般情况下,状态A转移到状态B的概率非常低,状态A转移到状态C的概率非常高,但是在特定条件D满足的情况下,状态A转移到状态B的概率非常高,而状态A转移到状态C的概率非常低。如果采用传统的状态检测方案,不论在什么条件下,隐马尔科夫模型中状态A转移到状态B的概率都是固定的(例如,该概率被配置为非常低),也就很容易导致在特定条件D满足的情况下,即使实际上已经出现了状态B,但是因为隐马尔科夫模型中状态A转移到状态C的概率非常高,而将实际出现的状态B判断为状态C,从而出现了误判。也就是说,传统的隐马尔科夫模型只能够描述大概率事件,对于很小概率出现的状态或事件则很被难检测到。
类似地,对于除了隐马尔科夫模型之外的其他用于进行状态检测的方案,同样存在灵活性差、准确率低的问题,但是,目前尚未提出有效的解决方案。
发明内容
针对相关技术中状态检测方案的灵活性差、检测准确率低的问题,本发明提出了一种基于信号处理的状态检测方法和装置,能够灵活适用于各种条件,有效提高了状态检测的准确性。
为了实现上述目的,根据本发明的一个方面,提供了一种基于信号处理的状态检测方法。
该基于信号处理的状态检测方法包括:在根据第一状态转移概率信息和当前接收到的信号的情况下,调用第二状态转移概率信息替换第一状态转移概率信息,其中,第二状态转移信息用于表示特定状态向其他状态转移的概率;根据之后接收到的信号和第二状态转移概率信息,检测特定状态之后出现的状态。
根据本发明的另一方面,提供了一种基于信号处理的状态检测装置。
该基于信号处理的状态检测装置包括:调用模块,用于在根据第一状态转移概率信息和当前接收到的信号检测到当前状态为预先指定的特定状态的情况下,调用第二状态转移概率信息替换第一状态转移概率信息,其中,第二状态转移信息用于表示特定状态向其他状态转移的概率;检测模块,用于根据之后接收到的信号和第二状态转移概率信息,检测当前状态之后出现的状态。
本发明通过根据当前检测的状态调用与当前状态相关的状态转移概率信息,能够针对当前状态到其他状态转移的实际概率,对后续状态进行准确检测,从而灵活适用于各种条件,有效提高了状态检测的准确性,从而更加准确、精细地描述事物的发展规律,能够对各类事件的本质和特质进行合理建模。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于信号处理的状态检测方法的流程图;
图2是根据本发明实施例的基于信号处理的状态检测方法调用不同的状态转移概率矩阵的原理示意图;
图3是根据本发明实施例的基于信号处理的状态检测装置的框图;
图4是实现本发明技术方案的计算机的示例性结构框图。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与***及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本公开内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
根据本发明的实施例,提供了一种基于信号处理的状态检测方法。
如图1所示,根据本发明实施例的基于信号处理的状态检测方法包括:
在根据第一状态转移概率信息和当前接收到的信号检测到当前状态为预先指定的特定状态的情况下,调用第二状态转移概率信息替换第一状态转移概率信息,其中,第二状态转移信息用于表示当前检测到的该特定状态向其他状态转移的概率;
根据之后接收到的信号和第二状态转移概率信息,检测特定状态之后出现的状态。
另外,参照图1,如果当前检测到的状态不是预先指定的特定状态,则继续根据第一状态转移概率信息和之后接收到的信号检测当前状态之后出现的状态。
在一个实施例中,可以对预先指定的特定状态的样本进行训练,得到该特定状态向其他状态转移的概率(即,得到第二状态转移概率信息),其中,特定状态可以是表示特定事件发生的状态;另外,对于一个状态,如果该状态后续很可能出现的状态的检测难度较高,同样可以将该状态作为特定状态,例如,对于图像检测,往往存在“倒下”和“躺地”等多个状态,由于在“倒下”状态出现之后,有很高的概率转移到“躺地”,而“躺地”状态难以检测,很可能被错误地检测为“无人”状态,因此,可以将“倒下”状态作为特定状态,专门对“倒下”状态的样本进行训练,得到“倒下”状态到其他状态的转移概率。通过类似的方式,对于其他的每个特定状态,都可以分别进行预先训练,得到与各个状态对应的状态转移概率信息。
可选地,在一个实施例中,可以首先设置默认的状态转移概率信息,例如,可以将上述第一状态转移概率信息作为默认的状态转移概率信息,该默认的状态转移概率信息适用于除了特定状态之外的其他所有状态(普通状态);而对于一个或多个特定状态,可以分别进行训练,得到相应的状态转移概率信息。这样,在当前检测到的状态为任意普通状态的情况下,都可以根据后续接收到的信号和默认的状态转移概率信息,检测后续状态;而在当前检测到的状态为任意特定状态的情况下,则根据当前检测到的状态调用相应的状态转移概率信息并结合后续接收到的信号,从而检测后续状态。
此外,特定状态可以表示特定事件的发生,如上所述,在检测到当前状态为特定状态的情况下,将调用该状态对应的状态转移概率信息,从而检测后续状态,但是,如果在后续检测到一个状态,而该状态表示该特定事件结束的终止,则应当停止使用该特定状态所对应的状态转移概率信息进行状态检测,而重新使用默认的状态转移概率信息(即,重新调用并使用第一状态转移概率信息),对后续状态进行检测。
可选地,在检测到特定事件发生的情况下,可以进行告警。
除了对每个特定状态分别训练之外,在其他实施例中,也可以对每种状态的样本都分别进行训练,从而得到对应于每种状态的状态转移概率信息,这样,在每检测到一个状态的情况下,都会调用相应的状态转移概率信息(替换之前所使用的状态转移概率信息,即,替换第一状态转移概率信息)以确定该状态到其他状态转移的概率,并结合后续接收到的信号检测后续状态。由于每种状态到其他状态的转移概率信息均通过对每个状态的样本分别训练得到,因此,借助于本实施例的方案,同样可以达到提高检测准确率的目的。
因此,在检测到当前状态的情况下,可以针对当前状态确定需要调用的状态转移概率信息。
在一实施例中,在检测到当前状态表示多个特定事件发生的情况下,此时所调用的状态转移概率信息可以由对表示多个特定事件发生的状态的样本进行训练得到,例如,在针对特定状态分别进行训练的实施例中,如果当前状态包括了表示多个特定事件发生的多个特定状态,则此时调用的状态转移概率信息应当是由对多个特定状态的样本进行训练得到。具体而言,假设当前检测到了状态A和状态B,状态A表示特定事件1发生,状态B表示特定事件2发生,状态A对应状态转移概率信息1,状态B对应状态转移概率信息2,此时,状态转移概率信息1和状态转移概率信息2中的每一个,都不能够准确表示在状态A和状态B同时出现的情况下,后续状态出现的概率,因此,需要预先对状态A和状态B的组合进行训练,得到适用于状态A和状态B同时出现的情况下的状态转移概率信息,这样才能够保证在当前状态下对后续的状态进行准确检测。类似地,对于3个或更多状态同时出现的情况,同样需要预先对这些状态的组合进行训练。
在另一实施例中,在多个特定事件同时发生的情况之外,对于先后出现的多个状态(例如,先后出现的多个状态中的两个或两个以上状态均表示特定事件的发生,或者,先后出现的多个状态中并非全部都是特定状态,但是这些状态的组合出现情况会导致特定事件的发生),同样可能影响到状态转移概率信息的调用。此时,第二状态转移概率信息可以由对当前状态的样本以及在当前状态之前出现的至少一个状态的样本进行训练得到。具体地,需要对状态出现的顺序以及状态的组合进行考虑,预先进行训练,得到相应的状态转移概率信息。假设,通常情况下,当检测到输入的语音信号为“海”字的情况下(即,将检测到“海”字作为当前检测到的状态),后面出现“洋”(海洋)、“外”(海外)、“鲜”(海鲜)、“边”(海边)等字的概率最高,也就是说,当“海”单独出现的情况下,调用的状态转移概率信息中,可能转移的下一状态为“洋”、“外”、“鲜”、“边”的概率最高。但是,如果在“海”字出现之前出现了“北京市”,则此时“海”后面衔接“淀”(海淀)的概率将大大提高。所以,如果预先针对先出现“北京市”之后出现“海”的组合状态进行训练得到新的状态转移概率信息,就能够将“北京市”的出现作为一个触发机制,就能够有效提高识别的准确率。以此类推,在一些特定情形或句子中,某些词出现的概率大大高于平时,可单独训练这些情形下字与字之间的状态转移概率。对于更多字、或者字出现的其他顺序,同样可以进行训练,以便提高检测的准确率。
根据本发明的检测方案可以用于对多种信号进行判断,从而进行状态检测,例如,上述信号可以是视频信号、语音信号、甚至可以是输入法软件接收到的输入信号,本文对此不再一一列举。
可选地,本发明的上述状态转移概率信息可以通过状态转移概率矩阵的方式进行保存,并且状态转移概率矩阵可以属于隐马尔科夫模型。实际上,本发明的状态转移概率信息还可以通过其他方式进行保存,并且同样能够适用于其他能够预测状态的模型。
下面,将以借助隐马尔科夫模型对视频图像进行状态检测为例,描述本发明的技术方案,本领域的技术人员应当理解,对于采用其他模型、对其他信号进行状态检测,同样可以采用类似的方式,并且能够达到类似的效果。
在将本发明的方案应用于隐马尔科夫模型的情况下,因为本发明针对不同的状态训练了得到了多个状态转移概率信息,即,经过本发明的改进,模型中具有多个状态转移概率矩阵,因此,实际调用的状态转移概率矩阵会随着事件的发展而变化,从而适合描述在不同情形下事件的发展规律。
具体而言,在传统的隐马尔科夫模型中,状态转移概率矩阵作为基本参数之一,是由训练数据统计得出的一个唯一的矩阵。本发明提出的改进方案中,在训练阶段首先由训练数据中的一般情况统计得到一个具有普适性的状态转移概率矩阵,描述一般规律。然后针对训练数据中的特定情形,再分别计算出多个不同的状态转移概率矩阵,分别描述特定情形。同时,指定特定状态作为状态转移概率矩阵转换的触发机制。在模型识别阶段,起始状态及其后续状态依照普适的状态转移概率矩阵进行状态跳转,直至遇到特定触发状态,改为遵照该状态对应的状态转移概率矩阵进行跳转,当遇到新的触发状态再更换为其它矩阵。
因此,在实现本发明的方案时,需要进行模型训练和识别,具体地,可以参照以下过程:
设定隐马尔科夫模型的基本参数:隐状态个数N、观察值个数M;
计算基本参数:初始状态分布概率πi(1≤i≤N)、观察值相对于各状态的分布概率bj(k)(1≤j≤N,1≤k≤M);
将训练数据按状态跳转的一般性和特殊性进行分类:需要单独特别描述的、不符合常见跳转规律的事件单独形成子集D(1)、D(2)...,其余常规数据形成数据集合D;
对常规数据集合D的数据,计算其状态转移概率矩阵A,即,如图2所示的矩阵A;
对于特例事件集合D(x),统计状态转移概率矩阵A(x)(例如,图2所示的矩阵A(1))。同时,将这类事件的开始的状态S(x)设定为触发状态,参照图2,一旦触发状态,例如S(1)出现(被检测到),则调用状态转移概率矩阵A(1)将取代原矩阵A生效。将该类事件的最末一个状态设定为结束状态S(1)*,一旦发生状态S(1)*,则矩阵A(1)将失效,恢复使用矩阵A。
其中,对于给定的待识别的观察值序列O=[o1,o2,...oT],可依照传统方法计算其属于各模型的生成概率以及其对应的最优状态序列。另外,训练数据中的事件指一个观察值序列,对应一个或多个隐状态及隐状态间的跳转。
以视频检测为例,本发明提供的方案可用于对监控视频中人的异常行为进行检测,例如,检测跑步、晕倒等行为。
在具体实施中,可以对行为进行建模:首先,定义HMM的状态,这里可以定义视频中每一帧对应一个状态,状态的种类包括‘无人’、‘走路’、‘跑步’、‘倒下’、‘躺地’、‘站起’等。
在视频中,对每一帧提取一个特征向量,作为观察值。
假设观察值和状态之间符合高斯概率分布,通过训练数据计算得到高斯分布的各项参数。同时,通过训练数据可得到初始状态的概率分布。
对于状态转移概率矩阵的训练,分为两种情形处理。监控视频中,晕倒这类事件必定以‘倒下’状态开始,其后很可能出现的状态有:‘躺地’、‘站起’、‘走路’等。同时在人躺地的过程中,有时会有其他人出现提供帮助,所以‘跑步’、‘扶起’的状态也很有可能发生。但是有些状态却基本不会发生的,比如‘无人’,但是‘无人’状态的运动特征又恰恰和‘躺地’状态的运动特征很相似,运动幅度几乎为零,以致经常出现误识别。
于是,可以对有无‘倒下’过两种不同情形,分别训练状态转移概率矩阵,以便抑制错误的状态跳转发生。在具体实施过程中,分别训练以下两种情形的状态转移概率:(A)有晕倒事件发生时,各状态跳转到‘躺地’状态的概率;(B)没有晕倒事件发生时,各状态跳转到‘躺地’状态的概率。同时,设置‘倒下’状态作为触发状态,‘站起’和‘扶起’状态作为终止状态。
对于给定的一段视频,首先提取视频各帧的特征向量,然后用改进的隐马尔科夫模型识别该特征序列对应的隐状态序列,以达到识别各帧状态进而发现异常事件的目的。自起始状态,模型使用(B)状态转移概率矩阵,直至有‘倒下’状态发生,矩阵(A)替代(B)生效。当发生‘站起’或‘扶起’状态,(A)矩阵失效,(B)矩阵再次恢复使用。通过该方案,可有效地减少‘躺地’状态被误识别为‘无人’状态,由此显著减少了对晕倒这一事件的漏检。
类似地,对于其他的特定状态,同样可以进行训练,得到相应的矩阵,从而达到准确检测的目的。
根据本发明的实施例,还提供了一种基于信号处理的状态检测装置。
如图3所示,根据本发明实施例的基于信号处理的状态检测装置包括:
调用模块31,用于在根据第一状态转移概率信息和当前接收到的信号(例如,可以是语音信号、视频信号、或多种信号的组合)检测到当前状态为预先指定的特定状态的情况下,调用第二状态转移概率信息替换第一状态转移概率信息,其中,第二状态转移信息用于表示当前检测到的特定状态向其他状态转移的概率;
检测模块32,用于根据之后接收到的信号和第二状态转移概率信息,检测该特定状态之后出现的状态。
在一个实施例中,当前状态(特定状态)用于表示特定事件的发生;在根据之后接收到的信号和第二状态转移概率信息检测到表示该特定事件结束的终止状态的情况下,检测模块32停止使用第二状态转移概率信息进行状态检测。并且,在停止使用当前调用的第二状态转移概率信息进行状态检测的情况下,调用模块31可以调用第一状态转移概率信息,检测模块32会根据第一状态转移概率信息进行状态检测。
在另一实施例中,可以对每个状态都分别进行训练,从而在每次检测到当前状态的情况下,均调用相应的状态转移概率信息。
另外,第二状态转移概率信息可以由对当前状态的样本进行训练得到、或者第二状态转移概率信息由对当前状态的样本以及在当前状态之前出现的至少一个状态的样本进行训练得到。
在一个实施例中,在当前状态为表示多个特定事件发生的特定状态的情况下,调用模块调用的第二状态转移概率信息由对表示该多个特定事件发生的状态的样本进行训练得到。
此外,该装置还可以进一步包括:告警模块(未示出),用于在检测到特定事件发生的情况下进行告警。
此外,上述第一状态转移概率信息和第二状态转移概率信息可以以状态转移概率矩阵的方式进行保存,并且这些状态转移概率矩阵属于隐马尔科夫模型。
根据本发明实施例的装置同样可以应用于隐马尔科夫模型之外的其他模型,并且状态转移概率信息的保存也不限于矩阵的方式。
综上所述,本发明通过根据当前检测的状态调用与当前状态相关的状态转移概率信息,能够针对当前状态到其他状态转移的实际概率,对后续状态进行准确检测,从而灵活适用于各种条件,有效提高了状态检测的准确性,从而更加准确、精细地描述事物的发展规律,能够对各类事件的本质和特质进行合理建模。另外,通过对多个状态同时或先后出现的情况分别进行训练,能够有效应对各种复杂情况和特殊情况,有效提高检测方案的灵活性。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用它们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。
在通过软件和/或固件实现本发明的实施例的情况下,从存储介质或网络向具有专用硬件结构的计算机,例如图4所示的通用计算机400安装构成该软件的程序,该计算机在安装有各种程序时,能够执行各种功能等等。
在图4中,中央处理模块(CPU)401根据只读存储器(ROM)402中存储的程序或从存储部分408加载到随机存取存储器(RAM)403的程序执行各种处理。在RAM403中,也根据需要存储当CPU401执行各种处理等等时所需的数据。CPU401、ROM402和RAM403经由总线404彼此连接。输入/输出接口405也连接到总线404。
下述部件连接到输入/输出接口405:输入部分406,包括键盘、鼠标等等;输出部分407,包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等等,和扬声器等等;存储部分408,包括硬盘等等;和通信部分409,包括网络接口卡比如LAN卡、调制解调器等等。通信部分409经由网络比如因特网执行通信处理。
根据需要,驱动器410也连接到输入/输出接口405。可拆卸介质411比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器410上,使得从中读出的计算机程序根据需要被安装到存储部分408中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质411安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图8所示的其中存储有程序、与装置相分离地分发以向用户提供程序的可拆卸介质411。可拆卸介质411的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM402、存储部分408中包含的硬盘等等,其中存有程序,并且与包含它们的装置一起被分发给用户。
还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
虽然已经详细说明了本发明及其优点,但是应当理解在不脱离由所附的权利要求所限定的本发明的精神和范围的情况下可以进行各种改变、替代和变换。而且,本申请的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
Claims (16)
1.一种基于信号处理的状态检测方法,其特征在于,包括:
在根据第一状态转移概率信息和当前接收到的信号检测到当前状态为预先指定的特定状态的情况下,调用第二状态转移概率信息替换所述第一状态转移概率信息,其中,所述第二状态转移信息用于表示所述特定状态向其他状态转移的概率;
根据之后接收到的信号和所述第二状态转移概率信息,检测所述特定状态之后出现的状态。
2.根据权利要求1所述的状态检测方法,其特征在于,所述特定状态用于表示特定事件的发生;
在根据之后接收到的信号和所述第二状态转移概率信息检测到表示所述特定事件结束的终止状态的情况下,停止使用所述第二状态转移概率信息进行状态检测。
3.根据权利要求2所述的状态检测方法,其特征在于,在停止使用所述第二状态转移概率信息进行状态检测的情况下,调用所述第一状态转移概率信息,并使用所述第一状态转移概率信息进行状态检测。
4.根据权利要求1所述的状态检测方法,其特征在于,在所述当前状态为表示多个特定事件发生的特定状态的情况下,调用的所述第二状态转移概率信息由对表示所述多个特定事件发生的状态的样本进行训练得到。
5.根据权利要求2或4所述的状态检测方法,其特征在于,进一步包括:
在检测到特定事件发生的情况下进行告警。
6.根据权利要求1所述的状态检测方法,其特征在于,所述第二状态转移概率信息由对所述特定状态的样本进行训练得到、或者所述第二状态转移概率信息由对所述特定状态的样本以及在所述特定状态之前出现的至少一个状态的样本进行训练得到。
7.根据权利要求1-4、6中任一项所述的状态检测方法,其特征在于,所述信号包括以下至少之一:语音信号、视频信号。
8.根据权利要求1-4、6中任一项所述的状态检测方法,其特征在于,所述第一状态转移概率信息和所述第二状态转移概率信息以状态转移概率矩阵的方式进行保存,并且状态转移概率矩阵属于隐马尔科夫模型。
9.一种基于信号处理的状态检测装置,其特征在于,包括:
调用模块,用于在根据第一状态转移概率信息和当前接收到的信号检测到当前状态为预先指定的特定状态的情况下,调用第二状态转移概率信息替换所述第一状态转移概率信息,其中,所述第二状态转移信息用于表示所述特定状态向其他状态转移的概率;
检测模块,用于根据之后接收到的信号和所述第二状态转移概率信息,检测所述当前状态之后出现的状态。
10.根据权利要求9所述的状态检测装置,其特征在于,所述特定状态用于表示特定事件的发生;
在根据之后接收到的信号和所述第二状态转移概率信息检测到表示所述特定事件结束的终止状态的情况下,所述检测模块停止使用所述第二状态转移概率信息进行状态检测。
11.根据权利要求10所述的状态检测装置,其特征在于,在停止使用所述第二状态转移概率信息进行状态检测的情况下,所述调用模块调用所述第一状态转移概率信息,所述检测模块根据所述第一状态转移概率信息进行状态检测。
12.根据权利要求9所述的状态检测装置,其特征在于,在所述当前状态为表示多个特定事件发生的特定状态的情况下,所述调用模块调用的所述第二状态转移概率信息由对表示所述多个特定事件发生的状态的样本进行训练得到。
13.根据权利要求10或12所述的状态检测装置,其特征在于,进一步包括:
告警模块,用于在检测到特定事件发生的情况下进行告警。
14.根据权利要求9所述的状态检测方法,其特征在于,所述第二状态转移概率信息由对所述特定状态的样本进行训练得到、或者所述第二状态转移概率信息由对所述特定状态的样本以及在所述特定状态之前出现的至少一个状态的样本进行训练得到。
15.根据权利要求9-12、14中任一项所述的状态检测装置,其特征在于,所述信号包括以下至少之一:语音信号、视频信号。
16.根据权利要求9-12、14中任一项所述的状态检测装置,其特征在于,所述第一状态转移概率信息和所述第二状态转移概率信息以状态转移概率矩阵的方式进行保存,并且状态转移概率矩阵属于隐马尔科夫模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310349404.7A CN104376324A (zh) | 2013-08-12 | 2013-08-12 | 基于信号处理的状态检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310349404.7A CN104376324A (zh) | 2013-08-12 | 2013-08-12 | 基于信号处理的状态检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104376324A true CN104376324A (zh) | 2015-02-25 |
Family
ID=52555220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310349404.7A Pending CN104376324A (zh) | 2013-08-12 | 2013-08-12 | 基于信号处理的状态检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376324A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109104315A (zh) * | 2018-08-20 | 2018-12-28 | 中国联合网络通信集团有限公司 | 一种物联网测试信号生成方法和*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996027871A1 (de) * | 1995-03-07 | 1996-09-12 | Siemens Aktiengesellschaft | Verfahren zur erkennung mindestens eines definierten, durch hidden-markov-modelle modellierten musters in einem zeitvarianten messignal, welches von mindestens einem störsignal überlagert wird |
CN1465042A (zh) * | 2001-05-02 | 2003-12-31 | 索尼公司 | 机器人装置、字符识别方法和装置、控制程序和记录媒体 |
CN1874497A (zh) * | 2006-05-30 | 2006-12-06 | 浙江工业大学 | 基于全方位计算机视觉的独居老人家庭安保装置 |
CN101101751A (zh) * | 2006-07-04 | 2008-01-09 | 株式会社东芝 | 语音识别装置和方法 |
CN101950376A (zh) * | 2009-07-09 | 2011-01-19 | 索尼公司 | 隐马尔可夫模型学习设备和方法、程序、以及记录介质 |
WO2012062997A1 (fr) * | 2010-11-10 | 2012-05-18 | Commissariat à l'énergie atomique et aux énergies alternatives | Dispositif de détection à capteur, procédé de détection et programme d'ordinateur correspondants |
CN102591472A (zh) * | 2011-01-13 | 2012-07-18 | 新浪网技术(中国)有限公司 | 一种汉字输入方法和装置 |
WO2013023265A1 (en) * | 2011-08-12 | 2013-02-21 | Invit Information Services Ltda | Method for using smart phones as public and personal safety devices in trustworthy social networks |
CN103177294A (zh) * | 2011-09-09 | 2013-06-26 | 索尼公司 | 信息处理设备、信息处理方法以及程序 |
-
2013
- 2013-08-12 CN CN201310349404.7A patent/CN104376324A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996027871A1 (de) * | 1995-03-07 | 1996-09-12 | Siemens Aktiengesellschaft | Verfahren zur erkennung mindestens eines definierten, durch hidden-markov-modelle modellierten musters in einem zeitvarianten messignal, welches von mindestens einem störsignal überlagert wird |
CN1465042A (zh) * | 2001-05-02 | 2003-12-31 | 索尼公司 | 机器人装置、字符识别方法和装置、控制程序和记录媒体 |
CN1874497A (zh) * | 2006-05-30 | 2006-12-06 | 浙江工业大学 | 基于全方位计算机视觉的独居老人家庭安保装置 |
CN101101751A (zh) * | 2006-07-04 | 2008-01-09 | 株式会社东芝 | 语音识别装置和方法 |
CN101950376A (zh) * | 2009-07-09 | 2011-01-19 | 索尼公司 | 隐马尔可夫模型学习设备和方法、程序、以及记录介质 |
WO2012062997A1 (fr) * | 2010-11-10 | 2012-05-18 | Commissariat à l'énergie atomique et aux énergies alternatives | Dispositif de détection à capteur, procédé de détection et programme d'ordinateur correspondants |
CN102591472A (zh) * | 2011-01-13 | 2012-07-18 | 新浪网技术(中国)有限公司 | 一种汉字输入方法和装置 |
WO2013023265A1 (en) * | 2011-08-12 | 2013-02-21 | Invit Information Services Ltda | Method for using smart phones as public and personal safety devices in trustworthy social networks |
CN103177294A (zh) * | 2011-09-09 | 2013-06-26 | 索尼公司 | 信息处理设备、信息处理方法以及程序 |
Non-Patent Citations (1)
Title |
---|
王欢良: "基于混淆网络和辅助信息的语音识别技术研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109104315A (zh) * | 2018-08-20 | 2018-12-28 | 中国联合网络通信集团有限公司 | 一种物联网测试信号生成方法和*** |
CN109104315B (zh) * | 2018-08-20 | 2021-06-29 | 中国联合网络通信集团有限公司 | 一种物联网测试信号生成方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859960B (zh) | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 | |
CN107122346B (zh) | 一种输入语句的纠错方法及装置 | |
US20180268296A1 (en) | Machine learning-based network model building method and apparatus | |
US9418334B2 (en) | Hybrid pre-training of deep belief networks | |
CN109583468B (zh) | 训练样本获取方法,样本预测方法及对应装置 | |
CN107423278B (zh) | 评价要素的识别方法、装置及*** | |
Vodenčarević et al. | Identifying behavior models for process plants | |
CN107003992B (zh) | 用于神经语言行为识别***的感知联想记忆 | |
CN107111610B (zh) | 用于神经语言行为识别***的映射器组件 | |
Wahono et al. | Neural network parameter optimization based on genetic algorithm for software defect prediction | |
CN108491228A (zh) | 一种二进制漏洞代码克隆检测方法及*** | |
CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN114326655A (zh) | 工业机器人故障数据生成方法、***、终端以及存储介质 | |
CN111611390B (zh) | 一种数据处理方法及装置 | |
CN112418320A (zh) | 一种企业关联关系识别方法、装置及存储介质 | |
CN116402352A (zh) | 一种企业风险预测方法、装置、电子设备及介质 | |
CN111950579A (zh) | 分类模型的训练方法和训练装置 | |
CN113642727A (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
CN114238740A (zh) | 一种确定代理主体代理品牌的方法及装置 | |
CN104376324A (zh) | 基于信号处理的状态检测方法和装置 | |
CN113656669B (zh) | 标签更新方法及装置 | |
US11609936B2 (en) | Graph data processing method, device, and computer program product | |
CN115906797A (zh) | 文本实体对齐方法、装置、设备及介质 | |
CN115829712A (zh) | 数据信息安全分级方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150225 |
|
RJ01 | Rejection of invention patent application after publication |