摘 要: 隱Markov樹（HMT）模型作為一種信號小波變換系數的統計模型較好地刻畫了小波變換系數的統計相關性和非高斯性。應用HMT模型進行故障診斷時，一個重要的問題即是HMT模型結構的選擇。判別信息準則（DIC）是一種適合于分類問題的模型選擇準則，它選擇最不可能產生屬于其它類別的數據。實驗表明與通常使用的Bayesian信息準則（BIC）相比，DIC可以選擇識別率更高的HMT模型。 關鍵詞: DIC BIC HMT 模型選擇 故障診斷 [b][align=center]The Application of HMT Model Selection Based on DIC in fault diagnosis GUI Lin, WU Xiao-yue[/align][/b] Abstract: As a statistical model of wavelet coefficients, hidden Markov tree （HMT） can consider the statistical dependencies and non-Gaussian statistics of wavelet coefficients. When HMT model is applied in fault diagnosis, an important problem is the HMT model topology selection. Discriminative information criterion （DIC） is one kind of model selection criterion fitting for classification problems. DIC selects the model that is the less likely to have generated data belonging to competing classification categories. The experiment indicates that DIC-generated models gets higher recognition rate in comparison with Bayesian information criterion （BIC）- generated models. Key words: DIC; BIC; HMT; model selection; fault diagnosis 0 引言 　　隱馬爾可夫模型（hidden Markov model，HMM）是一種時間序列的統計模型，HMM最先在語音識別領域中取得了重大突破，隨后在漢字識別、故障診斷等領域中得到應用。隱馬爾可夫樹模型（hidden Markov Tree，HMT）是一種小波域的HMM模型，它可以描述小波變換的內在特性，刻畫小波變換系數的統計相關性和非高斯性。 HMT已被應用于圖像去噪，圖像分類，機械故障診斷等領域，并得到了較好的效果。 　　HMT模型由其模型結構和給定結構下的參數決定，其結構包括隱狀態數和小波二叉樹的個數。應用HMT模型進行故障診斷時，一個重要的問題即是模型選擇問題。本文主要研究HMT模型結構的最優化問題，即描述信號的最佳HMT模型結構。 　　奧卡姆剃刀原則（Occam’s razor principle）是目前模型選擇的主要原則，其主要思想是選擇可以描述數據特征的最簡單模型。奧卡姆剃刀原則的一個重要理論基礎是Bayesian模式識別框架。Bayesian識別框架的主要準則是Bayesian信息準則（Bayesian Information Criterion，BIC）。BIC已廣泛應用于各種模型選擇中，如HMM的選擇。 　　文獻指出運用奧卡姆剃刀原則在分類問題中不能保證獲得分類效果最佳的模型。這主要是由于BIC側重于使用類別內特征選擇模型，而沒有考慮類別間特征。因此對于分類任務，BIC可能不適用。針對于分類任務的模型選擇問題，Alain[10]提出了判別信息準則（Discriminative Information Criterion，DIC）。DIC在BIC的基礎上，側重于使用類別間的分辨信息進行模型選擇。不同于奧卡姆剃刀原則選擇能有效描述數據的最簡單的模型，DIC選擇最不可能產生屬于其它類別的數據，因此更合適于分類任務。 　　詳情請點擊：基于DIC的HMT模型選擇在故障診斷中的應用