Segmenteerimine peidetud Markovi mudelite segude korral

Abstract

Peidetud 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.

Description

Keywords

Viterbi algoritm, hübriid-EM algoritm, segmenteerimine, HMM, peidetud Markovi mudelite segud, Viterbi algorithm, segmentation EM algorithm, segmentation, HMM, mixture of Hidden Markov Models

Citation