МАРКОВСЬКІ МОДЕЛІ ДЛЯ ЛІНГВІСТИЧНИХ ПОСЛІДОВНОСТЕЙ
DOI:
https://doi.org/10.34185/1562-9945-4-123-2019-09Ключові слова:
прихована Марковська модель, лінгвістична модель, лінгвістичне моделюванняАнотація
Популярність прихованих Марковських моделей ПММ та їх впровадження до різних областей, що поширюється з кожним роком, приводить певних проблем.
Метою дослідження є особливості застосування прихованих Марковських моделей для аналізу часових рядів у вигляді лінгвістичних ланцюжків .
Дане дослідження має за свою ціль визначення тих проблем, що стоять перед розробниками інтелектуальних систем із застосуванням ПММ та визначення деяких з напрямків, за якими ці проблеми можуть бути подолані. Для цілої родини стандартних ПММ були визначенні три основні проблеми, вирішення яких є дуже важливим для аналізу та прогнозування часових рядів.
На сьогодні приховані Марковські моделі є одним з найпоширеніших математичних апаратів, що використовується для багатьох класифікаторів та моделювання різноманітних проблем. В останні роки ПММ використовуються для розпізнавання жестів. Зрозуміло, що дана стаття не дає повний перелік проблем, що стоять перед розробниками інтелектуальних систем із застосуванням ПММ, але є певним кроком на шляху до інтеграції сучасних методів вирішення складних задач.
Посилання
Timo Koski. Hidden Markov Models for Bioinformatics. – Dordrecht: Kluwer Academic Publicher, 2001. – 392 p.
S.E.Levinson, L.R.Rabiner and M.M.Sondhi An Introduction to the Applications of Theory of Probabilistic Functions of a Markov Chain to Automatic Speech Recognition. – The Bell System Technical Journal, 1983, 62, pp.1053-1074.
Z.Grahramani and M.Jordan. Factorial hidden Markov models. – Machine Learning, 1997, 29, pp.245-273.
R.J.Boys, D.Henderson and D.J.Wilkinson. Detecting homogeneous segments in DNA sequences using hidden Markov models. Applied Stistacs, 2000, 49, Part 2, pp.269-285.
Y.Ephraim, A.Dembo and L.R.Rabiner. Minimum Discrimination Information Approach for Hidden Markov Modelling. – IEEE Trans. jn Information Theory, 1989, 35, pp.1000-1013.
P.Baldi and Y.Chauvin. Smooth On-Line Learning Algorithms for Hidden Markov Models. – Neural Computation, 2000, 6, pp. 307-318.
B.H. Juang and L.R. Rabiner. The segmental K-means Algorithm for Estimating Parameters of Hidden Markov Models. IEEE Transactions on Acoustics, Speech and Signal Processing, 1990, 38, pp. 1639-1641.
H. Lucke. Which Stochastic Models Allow Baum-Welch Training? - IEEE Trans¬actions on Signal Processing, 1996, 44, pp. 2746—2756.
P. Smyth, D. Heckerman and M.L. Jordan. Probabilistic Independence Networks for hidden Markov probability models. Neural Computation,1997, 9, pp. 227—269.
J.Q.Smith. Influence diagramsfor statistical modelling. Annals of Statistics, 1989, 17, pp.654-672.
Y. Shen, E. Muth, and A. Hoover Senior Member The Impact of Quantity of Training Data on Recognition of Eating Gestures / Preprint arXiv:1812.04513v1 [cs.LG] 11 Dec 2018
Baklan I.V., Stepankova G.A. KlasifIkatsIya modeley markovskogo tipu: naukova monografIya . - K.: NAU, 2012. – 84 s.
Baklan I., Komada P. Hybrid hidden Markov models // Elektronika (LIV). - No 8/2013. – P.28-31.
