结合隐马尔可夫模型(HMM)所需训练样本少及可解释的优点,提出了基于HMM的矿井提升机故障诊断方法。利用多个加速度传感器在提升机运行的不同转速阶段采集数据,通过快速傅里叶变换(FFT)从提升机振动信号中进行特征抽取后,再由劳埃德算法(Lloyd)进行标量量化,根据HMM建模理论,训练HMM诊断库,再利用训练好的HMM对提升机进行状态监测和故障诊断。

通过对语音识别技术的发展梳理, 简单介绍了语音识别的历史和应用现状, 并将传统语音识别的技术和当前的研究进展进行描述. 传统语音识别采用基于统计的方法, 采用声谱特征, 在GMM-HMM混合结构上进行训练和匹配. 当前的语音识别模型主要基于深度学习的方法, 采用CNN、RNN都可以有效的进行特征提取从而建立声学模型. 进一步的研究采用了端到端的技术, 避免了多个模型间的误差传导. 端到端技术主要有CTC技术和attention技术, 最新的模型和方法着重研究了attention技术, 并在尝试进行与CTC的融合以达到更好的效果. 最后结合作者自身的理解, 概括了语音识别当前所面临问题和未来发展方向.

本项目采用java实现了一个基于隐马尔可夫模型的中文句子词性标注系统，并附有详细的说明文档，对于想了解HMM和词性标注的人都会有很大帮助。

网上收集的HMM的C和C++实现，包括离散和连续的HMM实现 网上收集的HMM的C和C++实现，包括离散和连续的HMM实现

hmm模型matlab代码HMM-GMM 这是我个人实现的隐马尔可夫模型和高斯混合模型，这是统计机器学习中的两个经典生成模型。 HMM是在无监督的情况下进行训练的，代码实现了前向后退算法，以在给出部分/全部观测值的任何时间步长计算状态的边际概率，而Baum-Welch算法则用于估计初始概率分布，过渡和排放概率分布。 对于此示例，观察值是空格和字母，但是代码足够通用，可以与任何观察值序列和隐藏状态一起使用。 下面讨论的所有概率将在日志空间中。 HMM的推论被实现为一种维特比算法（动态编程） 依存关系 Python 3.x load_corpus(path) 此功能特定于此示例，用于读取观察顺序。 它将读取路径中的文件，仅保留字母和单个空格对其进行清理，并将所有内容都转换为小写。 它将返回清除输入的字符串。 load_probabilities(path) 此函数在指定的路径中加载pickle文件，该路径包含字典的元组。 第一个字典包含初始状态概率，并将整数i映射到第i个状态的概率。 第二词典包含转换概率和映射整数i到该整数j映射到过渡的从状态i到状态j的概率的第二词典。 最后，第三个字典

【语音识别】基于隐马尔可夫模型（HMM）的孤立字语音识别matlab源码.md

只要有隐马尔可夫模型的大框架，安装hmmlearn必不可少。 博主已经安装不下5次，必须可用。 整个系统环境为：win10+Anaconda+pyhcarm+python3.7+hmmlearn0.2.3。 从Anaconda到pyhcarm，到python3.7，再到hmmlearn0.2.3的安装超详细教程，一条龙服务。

隐马尔可夫模型c++实现程序，采用Baum-Welch (ML)算法进行训练。

应用于图像处理的隐马尔可夫模型源代码　MATLAB代码

基于隐马尔可夫模型（HMM）的孤立字语音识别实验