...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Pomiary Automatyka Kontrola >Selection of parameters of HMM
【24h】

Selection of parameters of HMM

机译：HMM参数的选择

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Ukryte modele Markowa (ang. Hidden Markov Models - HMM) są szeroko stosowane do klasyfikacji danych w wiciu dziedzinach, np. w biometryce do rozpoznawania twarzy lub głosu, rozpoznawania obrazów i dźwięku. Pozwala to na budowanie skutecznych systemów kontroli dostępu do zasobów oraz systemów identyfikacji/autoryzacji osób. Każde z tych zastosowań wymaga specyficznego podejścia do problemu i odpowiedniego zaprojektowania HMM. Dobór Parametrów HMM jest bardzo ważny ze względu za skuteczność systemu identyfikacji. Poszczególne parametry powinny być dobierane indywidualnie dla każdego systemu w sposób eksperymentalny, a badania powinny być przeprowadzone na reprezentatywnej liczbie wzorców. Najważniejszym problemem w projektowaniu systemów opartych o HMM jest wybór architektury modelu, czyli topologii oraz liczby stanów i obserwacji. Wpływ na te parametry ma złożoność i zróżnicowanie danych- sygnałów wejściowych. W przypadku topologii do dyspozycji mamy modele ergodyczne lub left-right. Natomiast przy doborze liczby stanów i obserwacji uwzględniamy typ sygnału wejściowego. Im bardziej złożony i różnorodny, tym te wartości powinny być większe. Należy jednak pamiętać, że im więcej stanów i obserwacji wybierzemy, tym czas estymacji parametrów i czas testowania wydłuży się wykładniczo. Ponadto istnieje granica, powyżej której system nie będzie wykazywał większej skuteczności.%Hidden Markov models are widely applied in data classification. They are used in many areas. The choice of parameters of HMM is very important because of efficiency of whole identification system. Individual parameters should be matched individually for each system in the experiment way.
机译：隐马尔可夫模型（HMM）被广泛用于对更多领域的数据进行分类，例如用于面部或语音识别，图像和声音识别的生物识别技术。这使您可以构建有效的资源访问控制系统和人员识别/授权系统。这些应用程序中的每一个都需要针对该问题的特定方法和适当的HMM设计。由于识别系统的有效性，HMM参数的选择非常重要。应该以实验方式为每个系统分别选择单独的参数，并且应该在具有代表性的多个标准上进行测试。设计基于HMM的系统时，最重要的问题是模型架构的选择，即拓扑以及状态和观察值的数量。数据输入信号的复杂性和多样性会影响这些参数。在拓扑中，我们有遍历模型或左右模型可用。但是，在选择状态和观测值的数量时，我们会考虑输入信号的类型。它越复杂和多样化，这些价值就应该越高。但是，应该记住，我们选择的状态和观察结果越多，参数估计时间和测试时间将成指数增长。此外，还有一个限制，超过该限制，系统将不会更有效。％隐马尔可夫模型广泛应用于数据分类。它们被用于许多领域。由于整个识别系统的效率，HMM参数的选择非常重要。应以实验方式为每个系统分别匹配各个参数。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号