CN104699606B - 一种基于隐马尔科夫模型的软件系统状态预测方法 - Google Patents
一种基于隐马尔科夫模型的软件系统状态预测方法 Download PDFInfo
- Publication number
- CN104699606B CN104699606B CN201510099169.1A CN201510099169A CN104699606B CN 104699606 B CN104699606 B CN 104699606B CN 201510099169 A CN201510099169 A CN 201510099169A CN 104699606 B CN104699606 B CN 104699606B
- Authority
- CN
- China
- Prior art keywords
- state
- hmm
- hidden
- probability
- hidden state
- 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.)
- Active
Links
Abstract
一种基于隐马尔科夫模型的软件系统状态预测方法,包括以下步骤:构造训练样本集,采用K均值聚类算法将训练样本集中的样本聚为k簇;构造隐马尔科夫模型λ=[π,A,B],将训练样本集中的k个簇作为模型的观测状态,将系统状态作为隐藏状态;对隐马尔科夫模型进行训练,得到新的隐马尔科夫模型;利用采集的系统观测值和新的隐马尔科夫模型对系统实际状态进行预测。本发明基于隐马尔科夫模型对系统实际状态和系统观测参数之间关系进行建模,进而根据系统观测值对系统实际状态进行预测,能够根据系统的观测值对系统软件状态进行准确的预测,有助于运维人员及早发现和处理可能的问题,防止功能降级,或者系统崩溃,预测准确率高。
Description
技术领域
本发明涉及计算机软件技术领域,具体地,涉及一种基于隐马尔科夫模型的软件系统状态预测方法,主要应用于大型软件管理系统的运行状态预测。
背景技术
随着计算机的普及和应用,各个企业对大型软件管理系统需求越来越高。各式各样的软件管理系统成为各个企业安全、可靠和稳定运行的重要保障。因此,迫切要求提出以评估软件系统运行状态为基础的系统评估和预测机制,提高其运行的可靠性,以保证软件系统中各向功能的安全使用。但是软件状态预测方面,其理论与技术的发展仍然处在一个初级的阶段。
软件状态预测指通过历史信息以及软件系统当前状态信息,对于软件系统未来时间可能出现的状态进行预测。准确的预测软件状态有助于运维人员及早发现和处理可能的问题,防止功能降级,或者系统崩溃等。
当前主流预测方法主要基于时间序列法,从以往系统状态序列中找到一定模式进而推测未来系统状态,预测准确率低,且该方法并未发掘系统实际状态和系统观测参数之间的联系。
发明内容
本发明的目的就在于克服现有技术在软件运行状态预测中的缺点和不足,提供一种基于隐马尔科夫模型的软件系统状态预测方法。该方法基于隐马尔科夫模型对系统实际状态和系统观测参数之间关系进行建模,进而根据系统观测值对系统实际状态进行预测。
本发明解决上述问题所采用的技术方案是:
一种基于隐马尔科夫模型的软件系统状态预测方法,包括以下步骤:
步骤1、构造训练样本集,采用K均值聚类算法将训练样本集中的样本聚为k簇;
步骤2、构造隐马尔科夫模型λ=[π,A,B],将步骤一中的k个簇作为模型的观测状态,将系统状态作为隐藏状态;π为初始状态的概率分布,A为隐藏状态转移矩阵,B为隐藏状态与观测状态关系矩阵;
步骤3、对隐马尔科夫模型进行训练,得到新的隐马尔科夫模型
步骤4、利用采集的系统观测值和新的隐马尔科夫模型对系统实际状态进行预测。
作为本发明的进一步改进,所述步骤2包括以下步骤:
步骤21、将步骤1中的k个簇作为隐马尔科夫模型的观测状态,观测状态个数为M,M=k;
步骤22、系统状态由正常、注意、异常和危险四个状态构成,这四个状态作为隐马尔科夫模型的隐藏状态,隐藏状态个数为N,N=4。
进一步,所述步骤3包括以下步骤:
步骤31、随机赋值初始化隐马尔科夫模型的参数,得到初始化的隐马尔科夫模型;
步骤32、选定一组已知的观测序列O={o1,o2,…,oT},利用该观测序列和初始化的隐马尔科夫模型和对隐马尔科夫模型进行重估,并对重估后的隐马尔科夫模型进行反复迭代重估,直至收敛,得到训练好的隐马尔科夫模型。
进一步,步骤1包括以下步骤:
步骤11、从系统运行历史数据中采集T个时刻的软件运行状态参数,构造训练样本集X,训练集合为{x(1),x(2),x(3),…,x(T)};
步骤12、采用K均值聚类算法将样本集中的所有样本聚为k类,具体包括以下步骤:
(b1)随机选取k个聚类质心点:μ1,μ2,...,μk;
(b2)重复b21-b22直到收敛:
(b21)对于每一个样本x(q),q=1,2,…,T,计算其应该属于的类:
c(q)表示每一个样本x(q)应该属于的类,c(q)的取值范围为{1,…,k};
(b22)在步骤(b21)将所有样本分类完成后,对于每一个类,重新计算该类的质心:
进一步,步骤12中,将采用K均值聚类算法将样本集中的所有样本聚为8类。
进一步,步骤32包括以下步骤:
步骤321.选定一组已知的观测序列O={o1,o2,…,oT};
步骤322.设定收敛条件,收敛条件为ε=10-3,为重估的隐马尔科夫模型中观察到观测序列O的概率,P(O|λ)为当前的隐马尔科夫模型中观察到观测序列O的概率;
步骤323.利用观测序列O对当前隐马尔科夫模型参数进行重估,得到新的隐马尔科夫模型
步骤324.判断是否收敛,是则将重估得到的最新隐马尔科夫模型作为训练好的隐马尔科夫模型,结束重估;否则,将重估得到的最新隐马尔科夫模型作为当前隐马尔科夫模型并跳转到步骤323。
进一步,所述步骤323包括以下步骤:
步骤3231:计算在当前隐马尔科夫模型λ和观测序列O下,在时刻t时系统处于隐藏状态si、时刻t+1系统处于隐藏状态sj的概率ξt(i,j):
aij表示隐藏状态si向隐藏状态sj转移的概率;bj(ot+1)表示隐藏状态与观测状态关系矩阵B中观测到观测序列O中的ot+1状态时处于隐藏状态sj的概率;αt(i)为在时刻t,系统处于隐藏状态si,并且部分观测序列为o1,o2,…,ot的概率;βt+1(j)为在时刻t,系统处在隐藏状态sj,并且部分观测序列为ot+1,ot+2,…,oT的概率;
步骤3232:计算观测序列O中从隐藏状态si转移到隐藏状态sj的期望次数:
步骤3233:计算在时刻t观测序列O中从隐藏状态si出发的转换的期望次数:
步骤3234:重估公式:
(a)重估隐藏状态初始状态的概率分布,将t=1代入公式(5)得到t=1时处在隐藏状态si的期望概率
(b)重估隐藏状态转移矩阵:
(c)重估隐藏状态与观测状态关系矩阵:
其中vf为观测状态取值;
通过步骤(a)-(c)得到新的隐马尔科夫模型的新参数
进一步,所述步骤324包括以下步骤:
步骤3241:计算当前隐马尔科夫模型λ的参数下时间T范围内观测到观测状态序列O={o1,…,oT}的概率P(O|λ),其中od∈V,此处d=1,2,...,T;V为观察状态的集合:假定观测到观测状态序列O={o1,…,oT}时对应的状态链为Q={q1,q2,...,qT};则:
其中,(d=1,2,...,T)表示隐藏状态初始状态的概率分布π中qd的初始概率,(d=1,2,...,T)表示隐藏状态与观测状态关系矩阵B中观测到od时处于隐藏状态qd的概率,(d=2,3,...,T)表示隐藏状态转移矩阵A中,从由状态qd-1转移到qd的概率;
步骤3242:计算新的隐马尔科夫模型的新参数下观测到状态序列O={o1,…,oT}的概率假定观测到观测状态序列O={o1,…,oT}时对应的状态链为Q={q1,q2,...,qT};则:
其中,(d=1,2,...,T)表示新的隐马尔科夫模型下隐藏状态初始状态的概率分布中qd的初始概率,(d=1,2,...,T)表示新的隐马尔科夫模型下隐藏状态与观测状态关系矩阵B中观测到od时处于隐藏状态qd的概率,(d=2,3,...,T)表示新的隐马尔科夫模型下隐藏状态转移矩阵A中,从由状态qd-1转移到qd的概率;
步骤3243:判断是否成立,若是结束迭代程序,得到训练好的隐马尔科夫模型令否则,令将新的隐马尔科夫模型作为当前隐马尔科夫模型,回到步骤323进行循环。
综上,本发明的有益效果是:
1、本发明基于隐马尔科夫模型对系统实际状态和系统观测参数之间关系进行建模,进而根据系统观测值对系统实际状态进行预测;
2、本发明能够根据系统的观测值对系统软件状态进行准确的预测,有助于运维人员及早发现和处理可能的问题,防止功能降级,或者系统崩溃,预测准确率高。
附图说明
图1是本发明的方法的流程示意图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地的详细说明,但本发明的实施方式不限于此。
本发明为一种基于隐马尔科夫模型软件系统状态预测方法,基于隐马尔科夫模型(Hidden Markov Model,HMM,又叫隐马尔可夫模型)对系统状态和系统参数之间关系进行建模,进而根据系统参数观测值对系统状态进行预测。
系统状态分为四个状态:正常、注意、异常和危险。但是这些状态是无法直接评估得到的(称为隐藏状态),然而系统状态却和其他一些因素相关,这些因素却是容易观测和测量的(称为观测状态)。因此,隐马尔科夫模型通过系统历史数据建立观测状态和隐藏状态的联系,当获得一个观测状态后可以推测出系统可能的隐藏状态。
如图1所示,本发明的预测方法步骤如下:
步骤一.构造训练样本集:从系统运行历史数据中采集T个时刻的软件运行状态参数,本实施例中,每个时刻采集表1中的45个状态参数:
表1–系统采集参数
将每个时刻采集的状态参数构造为一个样本x(q),其中,x(q)∈R45,q=1,2,3,…,T;R45表示45维的实数空间,x(q)的每个分量对应一个状态参数,由于步骤1中共采集45个参数,每个训练样本维度为45。由于步骤1中采集T个时刻的系统运行历史数据,那么训练集合大小为T,训练样本集为{x(1),x(2),…,x(T)};实际应用中,本步骤中的状态参数及其个数可以根据不同的软件系统进行调整。
步骤二.利用K均值聚类算法(K-means算法)将训练集合中的样本聚为k簇,具体步骤如下:
1)随机选取k个聚类质心点,μ1,μ2,…,μK;其中,μr∈R45,r=1,2,…,k;
2)重复步骤(a)-(b),直到样本收敛形成k个簇不再变化:
(a)对于每一个样本x(q),计算其应该属于的类:
上式中,c(q)表示每一个样本x(q)应该属于的类,c(q)的取值范围为{1,2,…,k};
(b)在步骤(a)将所有样本分类完成后,对于每一个类,重新计算该类的质心:
本实施例中,将所有样本聚为8类(8类即8簇),即k=8。通过大量实验表明,当k=8时,聚类得到的样本占到总样本的数量的70%左右,涵盖了大多数正常状态。
步骤三.构造隐马尔科夫模型λ=[π,A,B]:
将上述收敛后的k个簇作为隐马尔科夫模型的观测状态,M为观测状态个数,M=k。设观测状态取值范围为{1,…,k},即观测值空间为{1,…,k}。
系统状态作为隐马尔科夫模型的隐藏状态,N为隐藏状态个数,本实施例中系统状态由正常、注意、异常和危险四个状态构成,N=4,假设取值范围为{1,2,3,4},即状态空间为{1,2,3,4}。
设隐马尔科夫模型中的Markov链即状态链为Q={q1,q2,...,qt,...},观测链为O={o1,o2,...,ot,...}。
隐马尔科夫模型的参数有:
(1)N-隐藏状态个数,设隐藏状态的集合为S={s1,s2,...,sN},当t时刻Markov链状态为qt,则qt∈S;
(2)M-观测状态个数,设观测状态的集合为V={v1,v2,...,vM},当t时刻观测链状态为ot,则ot∈V;
(3)A-隐藏状态转移矩阵,A={aij},1≤j≤N,1≤i≤N,aij=P(qt+1=sj|qt=si),表示隐藏状态si向隐藏状态sj转移的概率,满足
(4)B-为隐藏状态与观测状态关系矩阵,B={Bj(f)},1≤f≤M,1≤j≤N,bj(f)=P(ot=vf|qt=sj),表示观察状态为of时处于隐藏状态sj的概率,满足
(5)π-隐藏状态初始状态的概率分布,π={πi},1≤i≤N,这里,πi=P(q1=si),满足πi>0且πi表示开始时刻初始状态si被选中的概率。
步骤四.对隐马尔科夫模型进行训练:利用Baum-Welch算法通过反复迭代确定隐马尔科夫模型λ系统参数:即确定隐藏状态转移矩阵A、隐藏状态与观测状态关系矩阵B和隐藏状态初始分布概率π,包括下述步骤1-步骤5:
步骤1.初始化:随机地给πi、aij、bj(f)赋值,得到初始化的隐马尔科夫模型。
步骤2.从训练样本集中选定一组已知的观测序列O={o1,o2,…,oT}。
步骤3.设置迭代终止条件即收敛条件,本实施例中终止条件为:
为重估的隐马尔科夫模型中观察到观测序列O的概率,P(O|λ)为当前的隐马尔科夫模型中观察到观测序列O的概率。
步骤4.利用观测序列O在当前的隐马尔科夫模型λ系统参数基础上重新评估系统参数得到新的隐马尔科夫模型
步骤4包括步骤41-步骤44:
步骤41:计算参数ξt(i,j),ξt(i,j)为给定的当前隐马尔科夫模型λ和观测序列O、在时刻t时系统处于隐藏状态si,时刻t+1系统处于隐藏状态sj的概率,即ξt(i,j)=P(qt=si,qt+1=sj|O,λ),其中qt为t时刻的隐藏状态,qt+1为t+1时刻的隐藏状态,O={o1,o2,…,oT}。ξt(i,j)计算过程如下:
aij表示隐藏状态si向隐藏状态sj转移的概率;bj(ot+1)表示隐藏状态与观测状态关系矩阵B中观测到观测序列O中的ot+1状态时处于隐藏状态sj的概率;αt(i)为在时刻t,系统处于隐藏状态si,并且部分观测序列为o1,o2,…,ot的概率;βt+1(j)为在时刻t,系统处在隐藏状态sj,并且部分观测序列为ot+1,ot+2,…,oT的概率。
αt(i)的计算通过下式递归推导得到:
依此类推计算,直到
其中:
α1(i)=πibi(o1),1≤i≤N;
bj(ot)表示观测到观测序列O中的ot状态时处于隐藏状态sj的概率;bj(ot-1)表示观测到观测序列O中的ot-1状态时处于隐藏状态sj的概率;bj(ot-2)表示观测到观测序列O中的ot-2状态时处于隐藏状态sj的概率;依此类推。
βt+1(j)通过下式迭代计算得到:
以此类推,直到
其中,
βT(i)=1,1≤i≤N,
bj(ot)表示观测到观测序列O中的ot状态时处于隐藏状态sj的概率;bj(ot-1)表示观测到观测序列O中的ot-1状态时处于隐藏状态sj的概率;依此类推,bj(o2)表示观测到观测序列O中的o2状态时处于隐藏状态sj的概率。
步骤42:计算观测序列O中从隐藏状态si转移到隐藏状态sj的期望次数:
步骤43:根据公式(5),计算时刻t,观测序列O中从隐藏状态si出发的转换的期望次数:
步骤44:重估公式:
(a)重估隐藏状态初始状态的概率分布,将t=1代入公式(5)得到t=1时处在隐藏状态si的期望概率
(b)重估隐藏状态转移矩阵,计算从隐藏状态si到隐藏状态sj的转换的期望概率除以隐藏状态si出发的期望概率:
(c)重估隐藏状态与观测状态关系矩阵:
计算
其中vf为观测状态取值;
通过步骤(a)-(c)得到新的隐马尔科夫模型的新参数
步骤5.判断是否收敛,包括步骤51-53:
步骤51:计算当前隐马尔科夫模型λ的参数下时间T范围内观测到观测状态序列O={o1,…,oT}的概率P(O|λ),其中od∈V,此处d=1,2,...,T:假定观测到观测状态序列O={o1,…,oT}时对应的状态链为Q={q1,q2,...,qT};则:
其中,(d=1,2,...,T)表示隐藏状态初始状态的概率分布π中qd的初始概率,(d=1,2,...,T)表示隐藏状态与观测状态关系矩阵B中观测到od时处于隐藏状态qd的概率,(d=2,3,...,T)表示隐藏状态转移矩阵A中,从由状态qd-1转移到qd的概率。
步骤52:计算新的隐马尔科夫模型的新参数下观测到状态序列O={o1,…,oT}的概率假定观测到观测状态序列O={o1,…,oT}时对应的状态链为Q={q1,q2,...,qT};则:
其中,(d=1,2,...,T)表示新的隐马尔科夫模型下隐藏状态初始状态的概率分布中qd的初始概率,(d=1,2,...,T)表示新的隐马尔科夫模型下隐藏状态与观测状态关系矩阵B中观测到od时处于隐藏状态qd的概率,(d=2,3,...,T)表示新的隐马尔科夫模型下隐藏状态转移矩阵A中,从由状态qd-1转移到qd的概率。
步骤53:判断若是结束迭代程序,得到训练好的隐马尔科夫模型令否则,令将新的隐马尔科夫模型作为当前隐马尔科夫模型,回到步骤4进行循环。
步骤五.在步骤四中最后确定的新的隐马尔科夫模型的新参数基础上,采用Viterbi算法代入观测值求解系统的隐藏状态,Viterbi算法就是根据隐马尔科夫模型(HMM)及一个相应的观测序列,找到生成此序列最可能的隐藏状态序列,该方法为本领域常用的隐马尔科夫模型的解码问题,本实施例中不再详述其求解方法。在实际预测过程中,采集到某时刻的系统观测值后,能够根据公式(1)迅速确定该时刻的系统观测值所属于的类即所属的簇,也即获得了隐马尔科夫模型的观测状态,再利用步骤四中训练好的隐马尔科夫模型λ就对系统实际状态进行预测。采集到时间t之前几个时刻的观测值就可构成隐马儿科夫模型的时间t之前的观测序列。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于隐马尔科夫模型的软件系统状态预测方法,其特征在于,包括以下步骤:
步骤1、构造训练样本集,采用K均值聚类算法将训练样本集中的样本聚为k个簇;
步骤2、构造隐马尔科夫模型λ=[π,A,B],将步骤1中的k个簇作为模型的观测状态,将系统状态作为隐藏状态;π为初始状态的概率分布,A为隐藏状态转移矩阵,B为隐藏状态与观测状态关系矩阵;
步骤3、对隐马尔科夫模型进行训练,得到新的隐马尔科夫模型
步骤4、利用采集的系统观测值和新的隐马尔科夫模型对系统实际状态进行预测;
所述步骤3包括步骤31和步骤32:
步骤31、随机赋值初始化隐马尔科夫模型的参数,得到初始化的隐马尔科夫模型;
步骤32、选定一组已知的观测序列O={o1,o2,…,oT},利用该观测序列和初始化的隐马尔科夫模型对隐马尔科夫模型进行重估,并对重估后的隐马尔科夫模型进行反复迭代重估,直至收敛,得到训练好的隐马尔科夫模型,为重估的隐马尔科夫模型中观察到观测序列O的概率。
2.根据权利要求1所述的一种基于隐马尔科夫模型的软件系统状态预测方法,其特征在于,所述步骤2包括以下步骤:
步骤21、将步骤1中的k个簇作为隐马尔科夫模型的观测状态,观测状态个数为M,M=k;
步骤22、系统状态由正常、注意、异常和危险四个状态构成,这四个状态作为隐马尔科夫模型的隐藏状态,隐藏状态个数为N,N=4。
3.根据权利要求1所述的一种基于隐马尔科夫模型的软件系统状态预测方法,其特征在于,步骤1包括以下步骤:
步骤11、从系统运行历史数据中采集T个时刻的软件运行状态参数,构造训练样本集X,训练集合为{x(1),x(2),x(3),…,x(T)};
步骤12、采用K均值聚类算法将样本集中的所有样本聚为k类,具体包括以下步骤:
(b1)随机选取k个聚类质心点:μ1,μ2,...,μk;
(b2)重复b21-b22直到收敛:
(b21)对于每一个样本x(q),q=1,2,…,T,计算其属于的类:
c(q)表示每一个样本x(q)属于的类,c(q)的取值范围为{1,…,k};
(b22)在步骤(b21)将所有样本分类完成后,对于每一个类,重新计算每一个类的质心:
4.根据权利要求3所述的一种基于隐马尔科夫模型的软件系统状态预测方法,其特征在于,步骤12中,将采用K均值聚类算法将样本集中的所有样本聚为8类。
5.根据权利要求1所述的一种基于隐马尔科夫模型的软件系统状态预测方法,其特征在于,步骤32包括以下步骤:
步骤321.选定一组已知的观测序列O={o1,o2,…,oT};
步骤322.设定收敛条件,收敛条件为 为重估的隐马尔科夫模型中观察到观测序列O的概率,P(O|λ)为当前的隐马尔科夫模型中观察到观测序列O的概率;
步骤323.利用观测序列O对当前隐马尔科夫模型参数进行重估,得到新的隐马尔科夫模型
步骤324.判断是否收敛,是则将重估得到的新的隐马尔科夫模型作为训练好的隐马尔科夫模型,结束重估;否则,将重估得到的新的隐马尔科夫模型作为当前隐马尔科夫模型并跳转到步骤323。
6.根据权利要求5所述的一种基于隐马尔科夫模型的软件系统状态预测方法,其特征在于,所述步骤323包括以下步骤:
步骤3231:计算在当前隐马尔科夫模型λ和观测序列O下,在时刻t时系统处于隐藏状态si、时刻t+1系统处于隐藏状态sj的概率ξt(i,j):
aij表示隐藏状态si向隐藏状态sj转移的概率;bj(ot+1)表示隐藏状态与观测状态关系矩阵B中观测到观测序列O中的ot+1状态时处于隐藏状态sj的概率;αt(i)为在时刻t,系统处于隐藏状态si,并且部分观测序列为o1,o2,…,ot的概率;βt+1(j)为在时刻t,系统处在隐藏状态sj,并且部分观测序列为ot+1,ot+2,…,oT的概率;
步骤3232:计算观测序列O中从隐藏状态si转移到隐藏状态sj的期望次数:
步骤3233:计算在时刻t观测序列O中从隐藏状态si出发的转换的期望次数:
步骤3234:重估公式:
(a)重估隐藏状态初始状态的概率分布,将t=1代入公式(5)得到t=1时处在隐藏状态si的期望概率
(b)重估隐藏状态转移矩阵:
(c)重估隐藏状态与观测状态关系矩阵:
其中vf为观测状态取值,f为观测状态编号;
通过步骤(a)-(c)得到新的隐马尔科夫模型的新参数
7.根据权利要求5所述的一种基于隐马尔科夫模型的软件系统状态预测方法,其特征在于,所述步骤324包括以下步骤:
步骤3241:计算当前隐马尔科夫模型λ的参数下时间T范围内观测到观测状态序列O={o1,…,oT}的概率P(O|λ),其中od∈V,此处d=1,2,...,T;V为观察状态的集合:假定观测到观测状态序列O={o1,…,oT}时对应的状态链为Q={q1,q2,...,qT};则:
其中,表示隐藏状态初始状态的概率分布π中qd的初始概率,表示隐藏状态与观测状态关系矩阵B中观测到od时处于隐藏状态qd的概率,表示隐藏状态转移矩阵A中,从由状态qd-1转移到qd的概率;
步骤3242:计算新的隐马尔科夫模型的新参数下观测到状态序列O={o1,…,oT}的概率假定观测到观测状态序列O={o1,…,oT}时对应的状态链为Q={q1,q2,...,qT};则:
其中,表示新的隐马尔科夫模型下隐藏状态初始状态的概率分布中qd的初始概率,表示新的隐马尔科夫模型下隐藏状态与观测状态关系矩阵B中观测到od时处于隐藏状态qd的概率,表示新的隐马尔科夫模型下隐藏状态转移矩阵A中,从由状态qd-1转移到qd的概率;
步骤3243:判断是否成立,若是结束迭代程序,得到训练好的隐马尔科夫模型令否则,令将新的隐马尔科夫模型作为当前隐马尔科夫模型,回到步骤323进行循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510099169.1A CN104699606B (zh) | 2015-03-06 | 2015-03-06 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510099169.1A CN104699606B (zh) | 2015-03-06 | 2015-03-06 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104699606A CN104699606A (zh) | 2015-06-10 |
CN104699606B true CN104699606B (zh) | 2017-05-24 |
Family
ID=53346759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510099169.1A Active CN104699606B (zh) | 2015-03-06 | 2015-03-06 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104699606B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447304B (zh) * | 2015-11-10 | 2018-09-07 | 重庆邮电大学 | 一种基于自学习算法的预警系统及移动终端 |
CN105871832B (zh) * | 2016-03-29 | 2018-11-02 | 北京理工大学 | 一种基于协议属性的网络应用加密流量识别方法及其装置 |
CN106339322A (zh) * | 2016-09-13 | 2017-01-18 | 哈尔滨工程大学 | 一种基于hmm‑aco的软件行为预测的方法 |
CN107885591A (zh) | 2016-09-27 | 2018-04-06 | 华为技术有限公司 | 为应用分配系统资源的方法和终端 |
CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
CN107526940A (zh) * | 2017-08-07 | 2017-12-29 | 清华大学 | 基因关联分析的修正方法及修正装置 |
CN107622279A (zh) * | 2017-09-05 | 2018-01-23 | 重庆邮电大学 | 高炉内部状态的分类方法 |
CN107562041A (zh) * | 2017-09-22 | 2018-01-09 | 广东工业大学 | 转辙机故障预警方法、装置、设备及计算机可读存储介质 |
CN107608778B (zh) * | 2017-09-30 | 2020-01-14 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
CN107844406A (zh) * | 2017-10-25 | 2018-03-27 | 千寻位置网络有限公司 | 分布式系统的异常检测方法及系统、服务终端、存储器 |
CN108009573B (zh) * | 2017-11-24 | 2020-08-14 | 北京物灵智能科技有限公司 | 一种机器人情绪模型生成方法、情绪模型以及交互方法 |
CN108228788A (zh) * | 2017-12-29 | 2018-06-29 | 长威信息科技发展股份有限公司 | 办事指南自动提取并关联的方法及电子设备 |
CN108596253A (zh) * | 2018-04-25 | 2018-09-28 | 常州大学 | 一种基于步行加速度信息分割的人员识别方法 |
CN108810958B (zh) * | 2018-05-23 | 2020-10-20 | 浙江大学 | 基于隐马尔科夫模型的潮间带传感器节点状态估计方法 |
CN109086306A (zh) * | 2018-06-22 | 2018-12-25 | 国网浙江省电力有限公司 | 基于混合隐马尔可夫模型的原子事件标签的提取方法 |
CN108966131A (zh) * | 2018-07-23 | 2018-12-07 | 广州都市圈网络科技有限公司 | 基于室内定位的融合楼层推断方法 |
CN109272047A (zh) * | 2018-09-27 | 2019-01-25 | 山东理工大学 | 一种满足光组播资源预测的隐马尔科夫模型状态构造与参数训练方法 |
CN109474897B (zh) * | 2019-01-10 | 2020-01-07 | 厦门大学 | 基于隐马尔可夫模型的车联网安全消息单跳协作广播方法 |
CN111669241A (zh) * | 2019-03-07 | 2020-09-15 | 中国人民解放军陆军工程大学 | 一种短波通信信道可用性的高效预测方法 |
CN109993118B (zh) * | 2019-03-30 | 2021-08-20 | 上海识装信息科技有限公司 | 一种动作的识别方法及其识别系统 |
CN110490760B (zh) * | 2019-07-24 | 2022-12-16 | 国网浙江省电力有限公司 | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 |
CN110633569A (zh) * | 2019-09-27 | 2019-12-31 | 上海赛可出行科技服务有限公司 | 基于隐马尔科夫模型的用户行为与实体行为分析方法 |
CN110727593B (zh) * | 2019-10-12 | 2023-07-25 | 四川新网银行股份有限公司 | 基于历史需求数据挖掘的测试用例智能生成方法及介质 |
CN111814901A (zh) * | 2020-07-21 | 2020-10-23 | 西北工业大学 | 基于数据挖掘与状态学习的医师操作手法模拟方法 |
CN112260211B (zh) * | 2020-12-21 | 2021-03-26 | 中国电力科学研究院有限公司 | 用于确定继电保护装置的运行状态的方法及装置 |
CN112949742B (zh) * | 2021-03-22 | 2022-04-08 | 烽火通信科技股份有限公司 | 使用隐马尔科夫模型增强星座图数据的方法与电子设备 |
CN113327095A (zh) * | 2021-05-24 | 2021-08-31 | 广州木铎信息技术有限公司 | 基于马尔科夫关联的排课方法及装置 |
CN113761814B (zh) * | 2021-09-10 | 2022-09-02 | 西北工业大学 | 一种基于有监督学习模型的翼型转捩区域判断方法 |
CN114298487B (zh) * | 2021-12-06 | 2023-01-03 | 中国船舶重工集团公司第七一九研究所 | 一种船舶装备系统的可靠性评估方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751234A (zh) * | 2010-01-21 | 2010-06-23 | 浪潮(北京)电子信息产业有限公司 | 一种磁盘阵列数据分布方法及系统 |
CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
CN103326903A (zh) * | 2013-07-05 | 2013-09-25 | 华北电力大学 | 基于隐马尔科夫的Internet网络时延预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110029108A1 (en) * | 2009-08-03 | 2011-02-03 | Jeehyong Lee | Music genre classification method and apparatus |
-
2015
- 2015-03-06 CN CN201510099169.1A patent/CN104699606B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751234A (zh) * | 2010-01-21 | 2010-06-23 | 浪潮(北京)电子信息产业有限公司 | 一种磁盘阵列数据分布方法及系统 |
CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
CN103326903A (zh) * | 2013-07-05 | 2013-09-25 | 华北电力大学 | 基于隐马尔科夫的Internet网络时延预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104699606A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104699606B (zh) | 一种基于隐马尔科夫模型的软件系统状态预测方法 | |
Le Son et al. | Remaining useful life estimation based on stochastic deterioration models: A comparative study | |
JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
Laurans et al. | Vertical stratification reduces competition for light in dense tropical forests | |
CN104020401B (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
CN104077445B (zh) | 基于模糊理论的加速寿命试验统计分析方法 | |
CN102270302B (zh) | 一种基于灰色支持向量机的多应力加速寿命试验预测方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN107133400A (zh) | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 | |
CN104765690A (zh) | 基于模糊遗传算法的嵌入式软件测试数据生成方法 | |
Eizirik et al. | Molecular phylogeny and dating of early primate divergences | |
CN102663264A (zh) | 桥梁结构健康监测静态参数的半监督协同评估方法 | |
Abudu et al. | Modeling of daily pan evaporation using partial least squares regression | |
CN104678312B (zh) | 一次性锂电池容量加速退化试验“倒挂”数据评估方法 | |
CN104835073A (zh) | 基于直觉模糊熵权的无人飞行器控制系统运行绩效评价方法 | |
Tabatabaee et al. | Bayesian approach to updating Markov-based models for predicting pavement performance | |
CN109921938A (zh) | 一种云计算环境下故障检测方法 | |
CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 | |
CN116805439A (zh) | 一种基于人工智能和大气环流机制的干旱预报方法及系统 | |
CN104318110A (zh) | 一种基于重要度和敏感性复合排序的提高大型复杂系统风险设计及维修效率的方法 | |
CN110930282A (zh) | 一种基于机器学习的局地降雨雨型分析方法 | |
Akkoyunlu et al. | A neural network-based approach for the prediction of urban SO2 concentrations in the Istanbul metropolitan area | |
Mohamadeen et al. | Binary cat swarm optimization versus binary particle swarm optimization for transformer health index determination | |
CN110444298A (zh) | 基于高斯过程模型的流感预测建模方法及装置 | |
CN112765769B (zh) | 一种多阶段变工况固体推进剂剩余贮存寿命预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |