Pages Menu
TwitterRssFacebook
Categories Menu

Posted by on Ago 1, 2019

은닉 마르코프 모델 예제

또 다른 변형은 팩터리얼 숨겨진 Markov 모델로, 단일 마르코프 체인이 아닌 K {displaystyle K} 독립 마르코프 체인 세트의 해당 숨겨진 변수에 대해 단일 관찰을 조절할 수 있습니다. N K {디스플레이 스타일 N^{K}} 상태(각 체인에 대해 N {displaystyle N} 상태가 있다고 가정) 단일 HMM과 동일하므로 이러한 모델에서 학습하는 것은 어렵습니다. 알고리즘에는 복잡성 O (N 2 K T) {디스플레이 스타일 O (N^{2K},T)} . 정확한 솔루션을 찾으려면 정션 트리 알고리즘을 사용할 수 있지만 O (N K + 1 K T) {displaystyle O (N^{K+1},K,T)} 복잡성이 발생합니다. 실제로 변형 접근법과 같은 대략적인 기술을 사용할 수 있습니다. [40] HMM의 파라미터 학습 태스크는 출력 시퀀스 또는 이러한 시퀀스 집합, 최상의 상태 전환 및 방출 확률 집합을 지정하여 찾는 것입니다. 이 작업은 일반적으로 출력 시퀀스 집합이 주어지면 HMM 매개 변수의 최대 우도 추정값을 도출하는 것입니다. 이 문제를 정확히 해결하는 방법은 알려져 있지 않지만 Baum-Welch 알고리즘 또는 Baldi-Chauvin 알고리즘을 사용하여 로컬 최대 가능성을 효율적으로 도출할 수 있습니다. Baum-Welch 알고리즘은 기대 최대화 알고리즘의 특별한 경우입니다. HmM이 타임시리즈 예측에 사용되는 경우 마르코프 체인 몬테 카를로(MCMC) 샘플링과 같은 보다 정교한 베이지안 추론 방법은 정확도와 안정성 면에서 단일 최대 우도 모델을 찾는 데 유리한 것으로 입증되었습니다. [17] MCMC는 상당한 계산 부담을 부과하기 때문에, 계산 확장성도 관심있는 경우, 하나는 베이지안 추론에 변형 근사치에 의존 할 수있다, 예를 들어,[18] 참으로, 근사 변형 추론 정확도 프로파일을 정확한 MCMC 형 베이지안 추론보다 약간 열등하게 산출하면서 기대 최대화에 필적하는 계산 효율을 제공합니다. HMM에 사용된 전진 및 후진 재귀와 한계 스무딩 확률 계산은 Ruslan L에 의해 처음 설명되었습니다.

Centro per un Futuro Sostenibile via Tacito, 84 00193 Roma tel. +39 06 90288228