Иерархическая скрытая марковская модель - Hierarchical hidden Markov model
 | Эта статья включает Список ссылок, связанное чтение или внешняя ссылка, но его источники остаются неясными, потому что в нем отсутствует встроенные цитаты. (Ноябрь 2020) (Узнайте, как и когда удалить этот шаблон сообщения) |
В иерархическая скрытая марковская модель (HHMM) это статистическая модель полученный из скрытая марковская модель (ХМ). В ЧЧММ каждое состояние считается автономным. вероятностная модель. Точнее, каждое состояние ЧЧММ само по себе является ЧЧММ.
ЧЧММ и ЧММ полезны во многих областях, в том числе распознавание образов.
Фон
Иногда бывает полезно использовать HMM в определенных структурах, чтобы облегчить обучение и обобщение. Например, даже если полностью подключенный HMM всегда можно использовать, если доступно достаточно обучающих данных, часто полезно ограничить модель, не допуская произвольных переходов между состояниями. Таким же образом может быть полезно встроить HMM в более крупную структуру; который теоретически может не решить никаких других проблем, кроме базового HMM, но может решить некоторые проблемы более эффективно, когда речь идет о количестве требуемых обучающих данных.
Описание
В иерархической скрытой марковской модели (HHMM) каждое состояние рассматривается как замкнутая вероятностная модель. Точнее, каждое состояние ЧЧММ само по себе является ЧЧММ. Это означает, что состояния HHMM испускают последовательности символов наблюдения, а не отдельные символы наблюдения, как в случае стандартных состояний HMM.
Когда состояние в HHMM активируется, оно активирует свою собственную вероятностную модель, то есть активирует одно из состояний базового HHMM, которое, в свою очередь, может активировать его базовый HHMM и так далее. Процесс повторяется до тех пор, пока не активируется особое состояние, называемое производственным состоянием. Только производственные состояния испускают символы наблюдения в обычном смысле HMM. Когда производственное состояние испускает символ, управление возвращается в состояние, которое активировало производственное состояние. Состояния, которые не испускают напрямую символы наблюдений, называются внутренними состояниями. Активация состояния в ЧЧММ под внутренним состоянием называется вертикальный переход. После завершения вертикального перехода горизонтальный переход происходит в состояние на том же уровне. Когда горизонтальный переход приводит к прекращение управление состоянием возвращается к состоянию в ЧЧММ, находящемуся выше в иерархии, которое произвело последний вертикальный переход.
Помните, что вертикальный переход может привести к большему количеству вертикальных переходов до достижения последовательности производственных состояний и, наконец, возврата на верхний уровень. Таким образом, посещенные производственные состояния приводят к появлению последовательности символов наблюдения, которые «производятся» государством на верхнем уровне.
Методы оценки параметров HHMM и структуры модели более сложны, чем для HMM, и заинтересованный читатель может обратиться к (Fine и другие., 1998).
HMM и HHMM относятся к одному классу классификаторов. То есть их можно использовать для решения того же набора проблем. Фактически, HHMM можно превратить в стандартный HMM. Однако HHMM использует свою структуру для более эффективного решения подмножества проблем.
Смотрите также
Рекомендации
- С. Файн, Ю. Сингер и Н. Тишби, "Иерархическая скрытая марковская модель: анализ и приложения", Машинное обучение, т. 32, стр. 41–62, 1998 г.
- К. Мерфи и М. Паскин. "Линейный вывод времени в иерархических HMM", NIPS-01 (Neural Info. Proc. Systems).
- Х. Буй, Д. Фунг и С. Венкатеш. «Иерархические скрытые марковские модели с общей иерархией состояний», AAAI-04 (Национальная конференция по искусственному интеллекту).