In this work a new kind of stochast

In this work a new kind of stochastic model is presented, the semi-hidden Markov model (SHMM). The proposed model is
related to the hidden Markov model (HMM), and it is called semi-hidden because generated sequences need less information than
HMM sequences to infer the succession of states run by the source.
The main feature of SHMM is that they work with statistical memory, i.e. the symbol’s emission probability distribution on the
current state of the emitting source depends on a number of symbols already emitted in the previous state. The proposed model is
useful for the generation and analysis of processes and symbolic sequences containing runs.

ผลลัพธ์ (ไทย) 1:

ในงานนี้ แบบใหม่รุ่นสโทแคสติกการนำเสนอ กึ่งซ่อนแบบ Markov (SHMM) แบบจำลองที่นำเสนอเกี่ยวข้องกับการซ่อนแบบ Markov (HMM), และเรียกว่ากึ่งซ่อนเนื่องจากสร้างลำดับต้องการข้อมูลน้อยกว่าลำดับ HMM รู้สืบทอดของอเมริกาโดยแหล่งที่มาคุณสมบัติหลักของ SHMM คือการ ที่พวกเขาทำงานกับหน่วยความจำทางสถิติ เช่นสัญลักษณ์ของมลพิษความน่าเป็นการกระจายการสถานะปัจจุบันของแหล่ง emitting ขึ้นอยู่กับจำนวนของสัญลักษณ์ออกมาแล้วในสถานะก่อนหน้านี้ แบบจำลองที่นำเสนอมีประโยชน์สำหรับการสร้างและการวิเคราะห์กระบวนการและประกอบด้วยการเรียกใช้ลำดับสัญลักษณ์

ผลลัพธ์ (ไทย) 2:

ในงานนี้เป็นชนิดใหม่ของรูปแบบสุ่มจะนำเสนอรูปแบบมาร์คอฟกึ่งซ่อน (SHMM) รูปแบบที่นำเสนอจะเกี่ยวข้องกับรูปแบบมาร์คอฟที่ซ่อน (HMM) และจะเรียกว่ากึ่งซ่อนเพราะลำดับการสร้างต้องการข้อมูลน้อยกว่าลำดับอืมเพื่อสรุปการสืบทอดของรัฐที่ดำเนินการโดยแหล่งที่มา. คุณสมบัติหลักของ SHMM คือการที่พวกเขาทำงาน มีหน่วยความจำทางสถิติเช่นการกระจายการปล่อยสัญลักษณ์บนสถานะปัจจุบันของแหล่งที่มาเปล่งขึ้นอยู่กับจำนวนของสัญลักษณ์ที่ปล่อยออกมาแล้วในรัฐก่อนหน้านี้ รูปแบบที่นำเสนอเป็นประโยชน์สำหรับการสร้างและการวิเคราะห์กระบวนการและลำดับสัญลักษณ์ที่มีวิ่ง

ผลลัพธ์ (ไทย) 3:

ในงานนี้เป็นชนิดใหม่ของโมเดลเชิงสา , กึ่งฮิดเดนมาร์คอฟโมเดล ( shmm ) รูปแบบคือ
ที่เกี่ยวข้องกับแบบจำลองฮิดเดนมาร์คอฟ ซึ่ง ( อืม ) และเรียกว่ากึ่งซ่อนเพราะสร้างลำดับต้องการข้อมูลน้อยกว่า
อืม ลำดับการอนุมานการสืบสิทธิของรัฐดำเนินการโดยแหล่ง
คุณสมบัติหลักของ shmm ที่พวกเขาทำงานกับหน่วยความจำทางสถิติ เช่นของสัญลักษณ์ต่อความน่าจะเป็นใน
สถานะปัจจุบันของการเปล่งแหล่งที่มาขึ้นอยู่กับจำนวนของสัญลักษณ์ที่ปล่อยออกมาแล้วในสถานะก่อนหน้า รูปแบบนำเสนอเป็นประโยชน์
การวิเคราะห์การผลิตและกระบวนการและลำดับสัญลักษณ์ที่มี
วิ่ง