Professional Documents
Culture Documents
UI - Skriveni Markovljevi Modeli 2011-2012
UI - Skriveni Markovljevi Modeli 2011-2012
m Uvod m Markovljevi modeli m Skriveni Markovljevi modeli m Algoritmi za skrivene Markovljeve modele
Temporalni podaci
m Podaci dobiveni otipkavanjem m Uz prostornu i vremenska komponenta
q
Stanja Sekvenca Markovljevo svojstvo N-tog reda P(qt = j | qt-1 = i, , qt-N = x, , qt-(N+M) = z) = P(qt = j | qt-1 = i, , qt-N = x)
Vjerojatnost sekvence Markovljevog modela P(q1, q2, , qT)= = P(q1)P(q2|q1)P(q3|q1,q2) P(qT|q1,, qT-1)= = P(q1)P(q2|q1)P(q3|q2) P(qT|qT-1)
Dijagram dobiven uz sekvencijalno opaanje pravilnim intervalima (npr. 1 opaanje dnevno) Suma izlaznih prijelaza stanja je 1
0.2 0.5
0.7
0.2 0.5
Oblano
0.3 Kiovito
Primjer - predikcija
m Predikcija (prognoza): koja je vjerojatnost da e vrijeme poevi od sutra biti sunano-sunanosunano-oblano-oblano-kiovito-sunano? Danas je sunano.
S: Sunano, O: Oblano, K: Kiovito P({S,S,S,O,O,K,S} | model)=
= P(S) P(S|S) P(S|S) P(S|S) P(O|S) P(O|O) P(K|O) P(S|K)=
O(Nt)
7
Efikasan algoritam
l
Rekurzivan izraun vjerojatnosti: pamtimo sumu vjerojatnosti da parcijalni put zavrava u nekom voru, za svaki vor
O(N2t)
m Algoritmi preko Markovljevih modela o kojima e biti rijei upravo su rekurzivnog tipa
8
MM Primjer (1/3)
m N (neprozirnih) urni sa obojenim kuglicama u M razliitih boja.
l
konkretno: N= 3 and M= 4
q q q
Svaka urna sadri kuglice uz poznatu distribuciju Izvukavi kuglicu iz urne, vraamo je nazad u istu urnu Proces selekcije urne je stohastiki
Urna 1 Urna 2 Urna 3
MM Primjer (2/3)
m Proces selekcije urne
Urna 2 0.6 Urna 1 0.4 0.1 0.1 Poetna urna
10
MM Primjer (3/3)
m Primjer sekvence - vidljiva su oba procesa:
q q
Urna 1
t=1
t=2
t=3
t=4
t=5 11
Opaamo rezultate vaenja kuglica u trenutku t Ne moemo opaziti koja urna je odabrana u trenutku t Dakle, odabir urne, tj. informacija o trenutanom stanju je skrivena.
Urna 1,2 ili 3? Urna 1,2 ili 3? Urna 1,2 ili 3? Urna 1,2 ili 3?
t=1
t=2
t=3
t=4
t=5 12
HMM
m HMM je MM sa skrivenom sekvencom stanja
q q
Skriveni stohastiki proces (sekvenca stanja) Vidljivi stohastiki opaanja proces koji generira sekvencu
Primjene: prepoznavanje govora, identifikacija govornika, prepoznavanje rukopisa, raspoznavanje gesti, modeliranje jezika, praenje objekata na temelju video signala...
13
B, )
A= {aij }, 1 i, j N,
gdje je N broj stanja
q
B= {bj(k)}, 1 j K,
gdje je K broj simbola
q
m Struktura ovisnosti
q
15
0.6
Urna 1
0.4
{1, 2, 3}
0.1
=[1, 0, 0]
16
Urna 2
0.2
0.1
17
FORWARD
FORWARD-BACKWARD
4.
Viterbi
5.
Uenje modela
l
Baum-Welch
18
FORWARD
FORWARD-BACKWARD
4.
Viterbi
5.
Uenje modela
l
Baum-Welch
19
Notacija
q q q q
Skriveno stanje stohastika varijabla: Skriveno stanje ishod: Opaeno stanje: Indeksiranje vremenski indeks
l
20
m Odravati trenutanu estimaciju stanja na online nain m Poeljno (i ostvarivo) rekurzivna estimacija
Na temelju estimacije stanja u prolom vremenskom koraku i nove opservacije, generirati novu estimaciju
21
Poznato iz modela
Predikcija
Forma poruke
22
Urna 2
0.1
0.1
23
Predikcija stanja
24
Zaglaivanje (1/2)
m A posteriori distribucija preko prolih stanja, uz opservacije do aktualnog trenutka:
FORWARD-BACKWARD
25
Zaglaivanje (2/2)
m Preostaje BACKWARD dio:
Poznato iz modela
Inicijalizacija:
26
Urna 2
0.1
0.1
27
Jedna rekurzija FORWARD i BACKWARD (za jedan vremenski trenutak): O(t) Zaglaivanje preko cijele sekvence: O(t2)
m Pametno:
q
28
29
Sekvencu stanja promatramo kao put kroz graf iji su vorovi mogua stanja za svaki trenutak Markovljevo svojstvo (prvog reda) omoguava rekurzivnu relaciju najvjerojatnijeg puta do xt+1 i najvjerojatnijih putova do svakog od stanja xt
30
q q
Rekurzija je tipa filtriranja Umjesto FORWARD poruke ima desni maksimizirajui lan
31