Академический Документы
Профессиональный Документы
Культура Документы
Forward Algoritmas
Viterbi Algoritmas
Do.Dr.Banu Diri
Herbir durum sadece bir ceki duruma baldr, yleki eer k yeil
ise onu izleyen renk amber olacaktr. nk sistem deterministik. Bu
tip sistemlerde bir durumdan dier bir duruma geii anlamak ve
analiz etmek kolaydr.
Slide 1
1
Rasgele Olmayan /Gerekirci Model
Herbir durum sadece bir ceki duruma baldr, yleki eer k yeil
ise onu izleyen renk amber olacaktr. nk sistem deterministik. Bu
tip sistemlerde bir durumdan dier bir duruma geii anlamak ve
analiz etmek kolaydr.
Slide 2
Herbir durum sadece bir ceki duruma baldr, yleki eer k yeil
ise onu izleyen renk amber olacaktr. nk sistem deterministik. Bu
tip sistemlerde bir durumdan dier bir duruma geii anlamak ve
analiz etmek kolaydr.
Slide 3
2
Rasgele Olmayan /Gerekirci Model
Herbir durum sadece bir ceki duruma baldr, yleki eer k yeil
ise onu izleyen renk amber olacaktr. nk sistem deterministik. Bu
tip sistemlerde bir durumdan dier bir duruma geii anlamak ve
analiz etmek kolaydr.
Slide 4
Herbir durum sadece bir nceki duruma baldr, yleki eer k yeil
ise onu izleyen renk amber olacaktr. nk sistem deterministik. Bu
tip sistemlerde bir durumdan dier bir duruma geii anlamak ve
analiz etmek kolaydr.
Slide 5
3
Rasgele Olan /Gerekirci Olmayan Model
Markov modelde bir durumdan dier bir duruma gei nceki n
duruma bal olarak gerekletirilir. Bu ilem order n model olarak
adlandrlr, n deeri gelecek durumun seiminde etkili olan durum
saysdr. N basit Markov model first order (n=1) modeldir.
Gerekirci modele benzemez, nk burada durumlarn olaslklar
szkonusudur.
0.25
0.5
ilk olaslklar
vektr
Slide 7
4
HMM kullanan uygulamalar
NLP
Part-of-speech tagging
Word segmentation
Information extraction
Optical Character Recognition (OCR)
Speech recognition
Modeling acoustics
Computer Vision
gesture recognition
Biology
Gene finding
Protein structure prediction
Economics, Climatology, Communications, Robotics
Slide 8
(outputs)
Slide 9
5
Sakl Markov model (HMM) bir ldr ( ,A, B)
Forward Algorithm
27 farkl
Pr(dry,damp,soggy | HMM) = Pr(dry,damp,soggy | sunny,sunny,sunny) +
durum,rainy) + . .
Pr(dry,damp,soggy | sunny,sunny ,cloudy) + Pr(dry,damp,soggy | sunny,sunny
. . Pr(dry,damp,soggy | rainy,rainy ,rainy)
Slide 11
6
T uzunluunda gzlemlenen sekans
Intermediate probabilities ( 's) deeri t=1 deki btn stateler
iin hesaplanr.
Slide 12
Slide 13
7
Slide 14
Slide 15
8
Slide 16
Slide 17
9
0.03092813
Slide 18
0.026640628
Slide 19
10
0.039965626
Slide 20
Slide 21
11
Olas Hidden State Sekansnn Bulunmas
Slide 22
Viterbi Algoritmas
Slide 23
12
Viterbi Algorithm
Slide 24
Slide 25
13
Slide 26
Slide 27
14
Delta = max ((0.37800002*0.5), (0.0425*0.375), (0.010000001*0.125)) * 0.15 = 0.028350003
Slide 28
15
Delta = max ((0.37800002*0.25), (0.0425*0.375), (0.010000001*0.375)) * 0.35 = 0.033075
Slide 30
Slide 31
16
Kaynaklar
http://www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/mai
n.html
Slide 32
17