The Hidden Markov Model (HMM) is a

The Hidden Markov Model (HMM) is a powerful statistical method of characterizing the observed data samples of discrete-time series. It has been successfully used in automatic speech recognition. HMM is basically a markov chain where the output observation is a random variable X generated according to a output probabilistic function associated with each state. The definition of HMM is defined by which A is a transition probability matrix, B is an output probability matrix and is an initial state distribution. There are two categories of HMM based on statistical models: 1) Discrete HMM (DHMM) which evaluates probabilities based on discrete data counting and 2) Continuous Density HMM
(CDHMM) which evaluates probabilities based on continuous Probability Density Functions (PDFs) that is usually referred to as likelihoods. DHMM uses a vector quantization based method for computing the state probability. For instance, frame i has to be converted into the corresponding symbol k = O(i), and the probability of symbol k to state j is retrieved from B(k, j) of the matrix B. CDHMM uses a continuous probability density function for computing the state probability. The method for identifying the optimum parameter that maximize the probability (likelihood) of the sample data is based on reestimation of Maximum Likelihood Estimate (MLE). Although the computation of probabilities with discrete models is faster than with continuous models, CDHMM will be considered in order to solve the problem of discrete HMM during vector quantization process.

ผลลัพธ์ (ไทย) 1:

การซ่อน Markov รุ่น (HMM) เป็นวิธีทางสถิติมีการกำหนดลักษณะของตัวอย่างพบข้อมูลชุดแยกกันเวลา มันได้ใช้ในการรู้จำเสียงอัตโนมัติสำเร็จ อืมมโดยทั่วไปห่วงโซ่ markov ที่สังเกตผลผลิตคือ ตัวแปรสุ่ม X ที่สร้างตามฟังก์ชัน probabilistic ผลเกี่ยวข้องกับแต่ละรัฐ มีกำหนดนิยามของ HMM ซึ่งเป็นช่วงการเปลี่ยนภาพความน่าเป็นเมทริกซ์ B เป็นเมทริกซ์ความน่าเป็นการส่งออก และ การกระจายสถานะเริ่มต้น มีสองประเภทของ HMM ตามแบบจำลองทางสถิติ: HMM 1) แยกกัน (DHMM) ซึ่งประเมินกิจกรรมตามนับข้อมูลแยกกันและความหนาแน่น 2) ต่อเนื่อง HMM (CDHMM) ซึ่งประเมินกิจกรรมตามอย่างต่อเนื่องความหนาแน่นของความน่าเป็นฟังก์ชัน (Pdf) ที่มักจะเรียกว่า likelihoods DHMM ใช้วิธี quantization ตามเวกเตอร์สำหรับการคำนวณความน่าเป็นของรัฐ กรอบตัวอย่าง ฉันมีแปลง k สัญลักษณ์ตรง = O(i) และความเป็นไปของสัญลักษณ์ k รัฐเจจะดึงมาจาก B (k, j) ในเมตริกซ์ B. CDHMM ใช้ฟังก์ชันความหนาแน่นความน่าเป็นอย่างต่อเนื่องสำหรับการคำนวณความน่าเป็นรัฐ วิธีการระบุพารามิเตอร์เหมาะสมที่เพิ่มความน่าเป็น (โอกาส) ของข้อมูลตัวอย่าง ขึ้นอยู่กับ reestimation ของสูงสุดโอกาสประเมิน (พื้นฐาน) แม้ว่าการคำนวณกิจกรรมมีรูปแบบไม่ต่อเนื่องจะเร็วกว่า ด้วยรูปแบบต่อเนื่อง CDHMM จะถือว่าการแก้ไขปัญหาของ HMM แยกกันระหว่าง quantization เวกเตอร์

ผลลัพธ์ (ไทย) 2:

ซ่อนมาร์คอฟรุ่น (HMM) เป็นวิธีการทางสถิติที่มีประสิทธิภาพของพัฒนาการตัวอย่างข้อมูลที่สังเกตของซีรีส์ต่อเนื่องทางเวลา มันได้รับการใช้ประสบความสำเร็จในการรู้จำเสียงพูดอัตโนมัติ อืมเป็นพื้นลูกโซ่มาร์คอฟที่สังเกตออกเป็นตัวแปรสุ่ม X สร้างขึ้นตามการส่งออกน่าจะเป็นฟังก์ชั่นที่เกี่ยวข้องกับแต่ละรัฐ ความหมายของ HMM ถูกกำหนดโดยซึ่งเป็นเมทริกซ์น่าจะเป็นการเปลี่ยนแปลง, B เป็นเมทริกซ์น่าจะเป็นเอาท์พุทและมีการกระจายสถานะเริ่มต้น มีสองประเภทของ HMM ขึ้นอยู่กับแบบจำลองทางสถิติคือ 1) อืมไม่ต่อเนื่อง (DHMM) ซึ่งประเมินความน่าจะขึ้นอยู่กับการนับข้อมูลที่ต่อเนื่องและ 2) อืมความหนาแน่นอย่างต่อเนื่อง
(CDHMM) ซึ่งประเมินความน่าจะขึ้นอยู่กับความหนาแน่นของความน่าจะเป็นฟังก์ชั่นอย่างต่อเนื่อง (ไฟล์ PDF) ที่มักจะ เรียกว่าโอกาสเกิด DHMM ใช้วิธีการตามเวกเตอร์สำหรับการคำนวณความน่าจะเป็นของรัฐ ยกตัวอย่างเช่นกรอบฉันจะต้องมีการแปลงเป็นสัญลักษณ์ที่สอดคล้อง k = O (i) และน่าจะเป็นของสัญลักษณ์ k เจรัฐถูกดึงจาก B (k, เจ) ของเมทริกซ์บี CDHMM ใช้ฟังก์ชั่นความหนาแน่นของความน่าจะเป็นอย่างต่อเนื่อง สำหรับการคำนวณความน่าจะเป็นของรัฐ วิธีการสำหรับการระบุพารามิเตอร์ที่เหมาะสมที่เพิ่มความน่าจะเป็น (โอกาส) ของข้อมูลตัวอย่างจะขึ้นอยู่กับ reestimation ของประมาณการภาวะน่าจะเป็นสูงสุด (MLE) แม้ว่าการคำนวณความน่าจะเป็นที่มีรูปแบบไม่ต่อเนื่องจะเร็วกว่าด้วยรูปแบบต่อเนื่อง CDHMM จะได้รับการพิจารณาในการที่จะแก้ปัญหาของ HMM เนื่องในระหว่างกระบวนการเวกเตอร์

ผลลัพธ์ (ไทย) 3:

ซ่อนมาร์คอฟแบบ ( อืม ) เป็นวิธีการทางสถิติที่มีประสิทธิภาพของลักษณะข้อมูลแบบไม่ต่อเนื่อง ตัวอย่างของชุด มันถูกนำมาใช้ในการรู้จำเสียงพูดอัตโนมัติ อืมเป็นเหมือนลูกโซ่มาร์คอฟที่ออกแบบเป็นตัวแปรสุ่ม X สร้างขึ้นตามผลความน่าจะเป็นฟังก์ชันที่เกี่ยวข้องกับแต่ละรัฐความหมายของแบบจำลองที่กำหนด โดย ซึ่งคือการเปลี่ยนแปลงความน่าจะเป็นเมทริกซ์ B เป็นเมทริกซ์ความน่าจะเป็นของการกระจายผลผลิตและเป็นรัฐแรก มีสองประเภทของอืมตามแบบจำลองทางสถิติ : 1 ) อืมไม่ต่อเนื่อง ( dhmm ) ซึ่งประเมินความน่าจะเป็นบนพื้นฐานข้อมูลที่ไม่ต่อเนื่องและต่อเนื่องนับ 2 ) ความหนาแน่นหืม
( cdhmm ) ซึ่งประเมินความน่าจะเป็นบนพื้นฐานของฟังก์ชันความหนาแน่นของความน่าจะเป็นแบบต่อเนื่อง ( ไฟล์ PDF ) ที่มักจะเรียกว่า likelihoods . dhmm ใช้วิธีตามเวกเตอร์ quantization ในการคำนวณสถานะความน่าจะเป็น ตัวอย่างเช่น กรอบผมต้องแปลงเป็นสัญลักษณ์ที่สอดคล้องกัน K = O ( I ) และความน่าจะเป็นของรัฐสัญลักษณ์ K J ที่ดึงมาจาก B ( K , J ) ของเมทริกซ์ Bcdhmm ใช้ต่อเนื่องฟังก์ชันความหนาแน่นของความน่าจะเป็นในการคำนวณสถานะความน่าจะเป็น วิธีการสำหรับการระบุพารามิเตอร์ที่เหมาะสมที่เพิ่มโอกาส ( ความน่าจะเป็น ) มีข้อมูลตัวอย่างตาม reestimation การประเมินความน่าจะเป็นสูงสุด ( mle ) แม้ว่าการคำนวณความน่าจะเป็นแบบไม่ต่อเนื่องจะเร็วกว่ารุ่นอย่างต่อเนื่องcdhmm จะพิจารณา เพื่อแก้ไขปัญหาของหือไม่ต่อเนื่องในระหว่างขั้นตอนการแบ่งนับเวกเตอร์
.