Lember, Jüri, juhendajaSõnajalg, JaakTartu Ülikool. Loodus- ja täppisteaduste valdkondTartu Ülikool. Matemaatika ja statistika instituut2016-07-082016-07-082016http://hdl.handle.net/10062/52458Peidetud Markovi mudelite (HMM) seguga puutume kokku, kui vaatleme HMM-i parameetrite komplekti fikseerimise asemel jaotust parameetrite ruumil. Klassikaline moodus peidetud seisundite vektori hindamiseks on nn suurima tõepära meetod, mis seisneb vaatluste alusel ühe mudeli fikseerimises ning välja valitud mudelile hübriidtõepära maksimiseeriva Viterbi algoritmi rakendamises. Siin töös tutvume alternatiivse meetodiga (nn hübriid-EM algoritm), mille puhul on eesmärk peidetud seisundite vektorit hinnata otse, HMM-i parameetreid hindamata. Hübriid-EM algoritmi väljund sõltub algjoondusest, tutvustame üht viisi algjoonduse valimiseks. Töö praktilises osas uurime kahe HMM-i segu korral, kuidas mõjutab algjoonduse valik hübriid-EM algoritmi väljundit. Lisaks võrdleme suurima tõepära meetodil ja hübriid-EM algoritmi kasutades leitud väljundjoonduste omadusi.etViterbi algoritmhübriid-EM algoritmsegmenteerimineHMMpeidetud Markovi mudelite segudViterbi algorithmsegmentation EM algorithmsegmentationHMMmixture of Hidden Markov ModelsmagistritöödThesis