Hidden Markov model (original) (raw)
Een hidden Markov model (HMM) is een model uit de statistiek waarin het te modelleren systeem een markov-proces is met onwaarneembare toestanden. De uitkomsten van het proces hangen op bekende wijze af van een waarneembaar proces en wel zo dat op een bepaald tijdstip de toestand van dit waarneembare proces alleen afhangt van de toestand van de onwaarneembare toestand van het verborgen markov-proces. Het doel is kennis over het verborgen proces te verkrijgen op basis van het waarneembare proces. Hidden Markov-modellen worden gebruikt voor toepassingen als patroonherkenning. Een HMM kan worden beschouwd als de eenvoudigste vorm van een dynamisch Bayesiaans netwerk.
| Property | Value |
|---|---|
| dbo:abstract | Un model ocult de Màrkov o HMM (per les seves sigles de l'anglès, Hidden Markov Model) és un model estadístic en el qual s'entén que el sistema a modelar és un de paràmetres desconeguts. L'objectiu és determinar els paràmetres desconeguts (o ocults, d'aquí ve el seu nom) de la cadena a partir dels paràmetres observables. Els paràmetres extrets es poden emprar per dur a terme successives anàlisis, per exemple en aplicacions de reconeixement de patrons. Un HMM es pot considerar com la xarxa bayesiana dinàmica més simple. En un model de Màrkov normal, l'estat és visible directament per a l'observador, pel que les probabilitats de transició entre estats són els únics paràmetres. En un model ocult de Màrkov, l'estat no és visible directament, sinó que només ho són les variables influïdes per l'estat. Cada estat té una distribució de probabilitat sobre els símbols d'eixida. Per tant, la seqüència de símbols generada per un HMM proporciona certa informació al voltant de la seqüència d'estats. Els models ocults de Màrkov són especialment aplicats a reconeixement de formes temporals, com puga ser el reconeixement de la parla, d'escriptura manual, de gestos o en altres camps com la bioinformàtica. (ca) نموذج ماركوف المخفي هو برنامج ماركوف الإحصائي الذي يكون فيه النظام الذي يتم العمل عليه مفترض انه ليس تحت المراقبة. نموذج ماركوف الخفي يمكن أن تمثل بانها ابسط ديناميكية في شبكة بايزي. الرياضيون وراء هذا النموذج "L. E. Baum" و زملاؤه. هذا النموذج يرتبط ارتباطا وثيقا بعمل سابق على "optimal nonlinear filtering problem by Ruslan L. Stratonovich" الذي كان أول من وصف "forward-backward procedure." في أبسط نماذج ماركوف (مثل سلسلة ماركوف) الحالة ظاهرة للمراقب بشكل مباشر، وبالتالي فإن احتمالية انتقال الحالة هي العوامل الوحيدة فقط، بينما في نموذج ماركوف المخفي الحالة ليست واضحة مباشرة، ولكن النتائج (في شكل بيانات في ما يلي) ، تعتمد على الحالة، مرئية. كل حالة لديها احتمالية توزيع على النتائج الممكنة. ولذلك، فإن تسلسل النتائج الناتجة تعطي بعض المعلومات عن تسلسل الحالات؛ المعروف أيضا نظرية النمط.النموذج يشير إلى تسلسل الحالة التي يمر من خلالها النموذج، لا عوامل النموذج؛ النموذج لا يزال يشار إليه نموذج ماركوف المخفي حتى لو كانت هذه العوامل معروفة بالضبط. نماذج ماركوف المخفية معروفة لتطبيقها في تعزيز التعليم و التعرف على انماط مثل الكلام، الكتابة اليدوية، التعرف على الإيماءات و البيوانفورمتكس.نموذج ماركوف الخفي يمكن اعتباره تعميم على نموذج خليط حيث المتغيرات المخفية، التي تتحكم في خليط العناصر التي سيتم اختيارها لكل مراقبة ذات الصلة مع عملية ماركوف بدلا من تكون مستقلة عن بعضها البعض. مؤخرا، نماذج ماركوف المخفية تم تعميمها على كلا نماذج ماركوف و ثلاثية نماذج ماركوف التي تسمح النظر في هياكل البيانات أكثر تعقيدا. * بوابة علم الحاسوب * بوابة روبوتيات * بوابة إحصاء (ar) Skrytý Markovův model (angl. HMM) je statistický Markovův model, který modeluje systém za předpokladu, že jde o Markovův proces se skrytými (nepozorovanými) stavy. HMM může být znázorněn pomocí nejjednodušší . Matematické základy modelu vyvinul spolu se svým týmem spolupracovníků. Problematika velmi úzce souvisí s dřívější prací , který pracoval na lineárním a jako první popsal . V jednodušších (jako je Markovův řetězec), je stav systému viditelný pozorovateli, tudíž pravděpodobnost změny stavu je jediný parametr modelu. Naopak ve skrytých Markovových modelech stav není pozorovateli viditelný, ale výstup, který je na stavu závislý, viditelný je. Každý stav má pravděpodobnostní vliv na výstup systému. Tedy posloupnost výstupů skrytého Markovova modelu vypovídá o posloupnosti vnitřních stavů, která tuto posloupnost vygenerovala. Přívlastek skrytý se tedy vztahuje na posloupnost vnitřních stavů, kterými model prošel, nikoliv na parametry modelu (model se nazývá skrytý, ačkoliv jsou jeho parametry dány přesně a jsou známé). Skryté Markovovy modely jsou známé zejména na poli rozpoznávání časových vzorů. Mezi ně spadá například rozpoznávání řeči, rukou psaného písma, gest a . Využití nalézá také v bioinformatice. Skryté Markovovy modely lze považovat za zobecnění , ve kterých nejsou skryté proměnné (nebo ) nezávislé jedna na druhé, ale naopak jsou navzájem spojené Markovovým procesem. V poslední době byly skryté Markovovy modely zobecněny na párové Markovovy modely a tripletové Markovovy modely, které umožňují využití modelu i na komplexnější datové struktury a modelování nestacionárních dat. (cs) Un modelo oculto de Márkov o HMM (por sus siglas del inglés, Hidden Markov Model) es un modelo estadístico en el que se asume que el sistema a modelar es un proceso de Márkov de parámetros desconocidos. El objetivo es determinar los parámetros desconocidos (u ocultos, de ahí el nombre) de dicha cadena a partir de los parámetros observables. Los parámetros extraídos se pueden emplear para llevar a cabo sucesivos análisis, por ejemplo en aplicaciones de reconocimiento de patrones. Un HMM se puede considerar como la red bayesiana dinámica más simple. En un modelo de Márkov normal, el estado es visible directamente para el observador, por lo que las probabilidades de transición entre estados son los únicos parámetros. En un modelo oculto de Márkov, el estado no es visible directamente, sino que sólo lo son las variables influidas por el estado. Cada estado tiene una distribución de probabilidad sobre los posibles símbolos de salida. Consecuentemente, la secuencia de símbolos generada por un HMM proporciona cierta información acerca de la secuencia de estados. Los modelos ocultos de Márkov son especialmente aplicados a reconocimiento de formas temporales, como reconocimiento del habla, de escritura manual, de gestos, etiquetado gramatical o en bioinformática. En el reconocimiento de voz se emplea para modelar una frase completa, una palabra, un fonema o trifonema en el modelo acústico. Por ejemplo la palabra "gato" puede estar formada por dos HMM para los dos trifonemas que la componen /gat/ y /ato/ (es) Das Hidden Markov Model, kurz HMM (deutsch verdecktes Markowmodell, oder verborgenes Markowmodell) ist ein stochastisches Modell, in dem ein System durch eine Markowkette – benannt nach dem russischen Mathematiker A. A. Markow – mit unbeobachteten Zuständen modelliert wird.Ein HMM kann dadurch als einfachster Spezialfall eines dynamischen bayesschen Netzes angesehen werden. Die Modellierung als Markowkette bedeutet, dass das System auf zufällige Weise von einem Zustand in einen anderen übergeht, wobei die Übergangswahrscheinlichkeiten nur jeweils vom aktuellen Zustand abhängen, aber nicht von den davor eingenommenen Zuständen. Außerdem wird angenommen, dass die Übergangswahrscheinlichkeiten über die Zeit konstant sind. Bei einem HMM werden jedoch nicht die Zustände selbst von außen beobachtet; sie sind verborgen (engl. hidden, siehe auch Latentes Variablenmodell). Stattdessen sind jedem dieser inneren Zustände beobachtbare Ausgabesymbole (sogenannte Emissionen) zugeordnet, die je nach Zustand mit gewissen Wahrscheinlichkeiten auftreten. Die Aufgabe besteht meist darin, aus der beobachteten Sequenz der Emissionen zu wahrscheinlichkeitstheoretischen Aussagen über die verborgenen Zustände zu kommen. Da die Markowmodelle eng verwandt mit den in der Regelungstechnik verwendeten Zustandsraummodellen sind, ist darauf zu achten, dass der Begriff „beobachten“ nicht mit dem regelungstechnischen Begriff der „Beobachtbarkeit“, der von Rudolf Kálmán 1960 eingeführt wurde und eine eigenständige Systemeigenschaft beschreibt, verwechselt wird. „Beobachten“ im Sinn der Markowmodelle wird in der Regelungstechnik mit „messen“ bezeichnet. Die im Sinn der Markowtheorie „unbeobachteten“ oder „hidden“ Zustände können sehr wohl im Sinne der Regelungstechnik beobachtbar sein, müssen es aber nicht. Wichtige Anwendungsgebiete sind Sprach- und Schrifterkennung, Computerlinguistik und Bioinformatik, Spamfilter, Gestenerkennung in der Mensch-Maschine-Kommunikation, physikalische Chemie und Psychologie. (de) A hidden Markov model (HMM) is a statistical Markov model in which the system being modeled is assumed to be a Markov process — call it — with unobservable ("hidden") states. As part of the definition, HMM requires that there be an observable process whose outcomes are "influenced" by the outcomes of in a known way. Since cannot be observed directly, the goal is to learn about by observing HMM has an additional requirement that the outcome of at time must be "influenced" exclusively by the outcome of at and that the outcomes of and at must not affect the outcome of at Hidden Markov models are known for their applications to thermodynamics, statistical mechanics, physics, chemistry, economics, finance, signal processing, information theory, pattern recognition - such as speech [3], handwriting, gesture recognition, part-of-speech tagging, musical score following, partial discharges and bioinformatics. (en) Un modèle de Markov caché (MMC, terme et définition normalisés par l’ISO/CÉI [ISO/IEC 2382-29:1999]) —en anglais : hidden Markov model (HMM)—, ou plus correctement (mais non employé) automate de Markov à états cachés, est un modèle statistique dans lequel le système modélisé est supposé être un processus markovien de paramètres inconnus. Contrairement à une chaîne de Markov classique, où les transitions prises sont inconnues de l'utilisateur mais où les états d'une exécution sont connus, dans un modèle de Markov caché, les états d'une exécution sont inconnus de l'utilisateur (seuls certains paramètres, comme la température, etc. sont connus de l'utilisateur). Les modèles de Markov cachés sont massivement utilisés notamment en reconnaissance de formes, en intelligence artificielle ou encore en traitement automatique du langage naturel. (fr) Model Markov Tersembunyi atau lebih dikenal sebagai Hidden Markov Model (HMM) adalah sebuah model statistik dari sebuah sistem yang diasumsikan sebuah dengan parameter yang tak diketahui, dan tantangannya adalah menentukan parameter-parameter tersembunyi (state) dari parameter-parameter yang dapat diamati (observer). Parameter-parameter yang ditentukan kemudian dapat digunakan untuk analisis yang lebih jauh, misalnya untuk aplikasi Pattern Recognition. Sebuah HMM dapat dianggap 4, sebuah Bayesian Network dinamis yang paling sederhana. Pada model Markov umum (Vanilla/Visible Markov Model), state-nya langsung dapat diamati, oleh karena itu probabilitas transisi state menjadi satu-satunya parameter. Di dalam Model Markov yang tersembunyi, state-nya tidak dapat diamati secara langsung, akan tetapi yang dapat diamati adalah variabel-variabel yatng terpengaruh oleh state. Setiap state memiliki distribusi probabilitas atas token-token output yang mungkin muncul. Oleh karena itu rangkaian token yang dihasilkan oleh HMM memberikan sebagian informasi tentang sekuens state-state. Hidden Markov Model sangat populer diaplikasikan di bidang speech recognition dan bioinformatics. (in) 은닉 마르코프 모형(영어: hidden Markov model, HMM)은 통계적 마르코프 모형의 하나로, 시스템이 은닉된 상태와 관찰가능한 결과의 두 가지 요소로 이루어졌다고 보는 모델이다. 관찰 가능한 결과를 야기하는 직접적인 원인은 관측될 수 없는 은닉 상태들이고, 오직 그 상태들이 마르코프 과정을 통해 도출된 결과들만이 관찰될 수 있기 때문에 '은닉'이라는 단어가 붙게 되었다. 은닉 마르코프 모형은 로 간단히 나타낼 수 있으며, 은닉 마르코프 모형의 해를 찾기 위해 을 제안한 스트라토노빅의 최적 비선형 필터링 문제와 밀접한 관련이 있다.한편 은닉 마르코프 모형에 사용된 수학적 개념들은 바움(L. E. Baum)과 그의 동료들에 의해 정립되었다. 마르코프 연쇄와 같은 단순한 마르코프 모형에서는 상태를 관찰자가 직접적으로 볼 수 있으며, 그러므로 상태가 전이될 확률은 단순히 모수(parameter)들로 표현될 수 있다. 반면 은닉 마르코프 모형에서는 상태를 직접적으로 볼 수 없고 상태들로부터 야기된 결과들만을 관찰할 수 있다. 각각의 상태는 특정 확률 분포에 따라 여러 가지 결과를 도출해 낼 수 있으므로, 은닉 마르코프 모형로부터 생성된 결과들의 나열은 기저에 은닉된 상태들에 대한 정보들을 제공하고 있다고 생각할 수 있다. 여기서 단어 은닉(Hidden)이 모델의 모수를 가리키는 것이 아니라 모델이 거쳐가는 연속된 상태를 지칭하는 것에 주의해야한다. 은닉 마르코프 모형에서 모수들이 정확히 알려졌음에도 불구하고 여전히 ‘은닉’ 마르코프 모형로 불리는 이유는 결과를 야기하는 상태들이 근본적으로 은닉되어있어 관찰할 수 없기 때문이다. 은닉 마르코프 모형은 시간의 흐름에 따라 변화하는 시스템의 패턴을 인식하는 작업에 유용하다. 예를 들어 음성 인식, 필기 인식(en:Handwriting recognition), 동작 인식(en:Gesture Recognition), 품사 태깅(en:Part-of-speech tagging), 악보에서 연주되는 부분을 찾는 작업, 부분 방전(en:Partial discharge), 생물정보학 분야에서 이용된다. 은닉 마르코프 모형은 은닉 변수가 독립되지 않고 마르코프 과정을 통해 변화하면서, 각 과정에서 혼합 요소를 선택하는 혼합 모델의 일반화로 볼 수 있다. 최근 이러한 은닉 마르코프 모형은 더 복잡한 자료 구조들과 안정적이지 않은 데이터들을 모델링할 수 있도록 이중 마르코프 모형, 삼중 마르코프 모형 등으로 일반화되고 있다. (ko) Un modello di Markov nascosto (Hidden Markov Model - HMM) è una catena di Markov in cui gli stati non sono osservabili direttamente. Più precisamente: * la catena ha un certo numero di stati * gli stati evolvono secondo una catena di Markov * ogni stato genera un evento con una certa distribuzione di probabilità che dipende solo dallo stato * l'evento è osservabile ma lo stato no I modelli nascosti di Markov sono conosciuti particolarmente per le loro applicazioni nel riconoscimento dello schema temporale dei discorsi parlati, della scrittura a mano, nel riconoscimento di texture e la bioinformatica (per esempio HMMer). (it) Een hidden Markov model (HMM) is een model uit de statistiek waarin het te modelleren systeem een markov-proces is met onwaarneembare toestanden. De uitkomsten van het proces hangen op bekende wijze af van een waarneembaar proces en wel zo dat op een bepaald tijdstip de toestand van dit waarneembare proces alleen afhangt van de toestand van de onwaarneembare toestand van het verborgen markov-proces. Het doel is kennis over het verborgen proces te verkrijgen op basis van het waarneembare proces. Hidden Markov-modellen worden gebruikt voor toepassingen als patroonherkenning. Een HMM kan worden beschouwd als de eenvoudigste vorm van een dynamisch Bayesiaans netwerk. (nl) 隠れマルコフモデル（かくれマルコフモデル、英: hidden Markov model; HMM）は、確率モデルのひとつであり、観測されない（隠れた）状態をもつマルコフ過程である。 (ja) Um modelo oculto de Markov (ou modelo escondido de Markov) é um modelo estatístico em que o sistema modelado é assumido como um processo de Markov com parâmetros desconhecidos, e o desafio é determinar os parâmetros ocultos a partir dos parâmetros observáveis. Os parâmetros extraídos do modelo podem então ser usados para realizar novas análises, por exemplo para aplicações de reconhecimento de padrões. Em um modelo regular de Markov, o estado é diretamente visível ao observador, e portanto os únicos parâmetros usados são as probabilidades de transição de estado. Cada estado possui uma distribuição de probabilidade sobre os possíveis resultados. Esse tipo de modelo é conhecido por sua aplicação na área de reconhecimento de padrões temporais como a fala, a escrita, os gestos e a bioinformática. (pt) En dold Markovmodell, eller HMM (engelska: Hidden Markov Model) är en statistisk modell som används för att modellera processer i bland annat taligenkänning, tidsseriedata och mönster i molekylära sekvenser som till exempel DNA och proteiner. I en typisk dold Markovmodell tänker man sig att ett system kan beskrivas som en mängd tillstånd vilka man rör sig mellan enligt en Markovkedja eller Markovprocess. I varje tillstånd emitteras då en symbol som representerar observerbar data. Man kan alltså inte direkt avgöra i vilket tillstånd modeller befinner sig utan måste försöka avgöra detta genom att studera det som har emitterats, därav benämningen dold Markovmodell. (sv) Скрытая марковская модель (СММ) — статистическая модель, имитирующая работу процесса, похожего на марковский процесс с неизвестными параметрами, и задачей ставится разгадывание неизвестных параметров на основе наблюдаемых. Полученные параметры могут быть использованы в дальнейшем анализе, например, для распознавания образов. СММ может быть рассмотрена как простейшая байесовская сеть доверия. Первые заметки о скрытых марковских моделях опубликовал в 1960-х, и уже в 70-х их впервые применили при распознавании речи.С середины 1980-х СММ применяются при анализе биологических последовательностей, в частности ДНК. Основное применение СММ получили в области распознавания речи, письма, движений и биоинформатике. Кроме того, СММ применяются в криптоанализе, машинном переводе. (ru) Прихо́вана ма́рковська моде́ль, ПММ (англ. hidden Markov model, HMM) — це статистична марковська модель, у якій система, що моделюється, розглядається як марковський процес із неспостережуваними (прихованими) станами. ПММ може бути представлено як найпростішу динамічну баєсову мережу. Математичний апарат для ПММ було розроблено зі співробітниками. Він тісно пов'язаний з більш ранньою працею про оптимальну нелінійну Руслана Стратоновича, який першим описав . У простіших марковських моделях (таких як ланцюги Маркова) стан є безпосередньо видимим спостерігачеві, і тому ймовірності переходу станів є єдиними параметрами. У прихованій марковській моделі стан не є видимим безпосередньо, але вихід, залежний від стану, видимим є. Кожен стан має ймовірнісний розподіл усіх можливих вихідних значень. Отже, послідовність символів, згенерована ПММ, дає якусь інформацію про послідовність станів. Прикметник «прихований» стосується послідовності станів, якою проходить модель, а не параметрів моделі; модель все одно називають «прихованою» марковською моделлю, навіть якщо ці параметри відомі точно. Приховані марковські моделі відомі в першу чергу завдяки їхньому застосуванню в розпізнаванні часових шаблонів, таких як розпізнавання мовлення, рукописного введення, , морфологічної розмітки, мелодій для акомпонуваня, та в біоінформатиці. Приховані марковські моделі можуть розглядатися як узагальнення , де приховані (або латентні) змінні, що контролюють, яка складова суміші обиратиметься для кожного спостереження, пов'язані марковським процесом, а не є незалежними одна від одної. Нещодавно приховані марковські моделі було узагальнено до подвійних марковських моделей (англ. pairwise Markov models) та триплетних марковських моделей (англ. triplet Markov models), що дозволяє розглядати складніші структури даних та моделювати нестаціонарні дані. (uk) 隐马尔可夫模型（Hidden Markov Model；縮寫：HMM）或稱作隐性马尔可夫模型，是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。 在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中，状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。 (zh) |
| dbo:thumbnail | wiki-commons:Special:FilePath/HiddenMarkovModel.svg?width=300 |
| dbo:wikiPageExternalLink | http://jedlik.phy.bme.hu/~gerjanos/HMM/node2.html http://www.eecis.udel.edu/~lliao/cis841s06/hmmtutorialpart1.pdf http://www.eecis.udel.edu/~lliao/cis841s06/hmmtutorialpart2.pdf http://www.cs.jhu.edu/~jason/papers/eisner.hmm.xls http://www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/main.html http://www.cs.sjsu.edu/~stamp/RUA/HMM.pdf https://scholar.google.com/scholar%3Fq=levinson+hidden+markov+model+tutorial&hl=en&as_sdt=0&as_vis=1&oi=scholart https://web.archive.org/web/20120415032315/http:/www.ee.washington.edu/research/guptalab/publications/EMbookChenGupta2010.pdf https://web.archive.org/web/20170813231824/http:/www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/main.html http://videolectures.net/hltss2010_eisner_plm/video/2/ http://www.cs.brown.edu/research/ai/dynamics/tutorial/Documents/HiddenMarkovModels.html |
| dbo:wikiPageID | 98770 (xsd:integer) |
| dbo:wikiPageLength | 43429 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1124341353 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Bayesian_inference dbr:Bayesian_programming dbr:Particle_filter dbr:Time_series dbr:Richard_James_Boys dbr:DNA dbr:Uniform_distribution_(continuous) dbr:Inference dbr:Sequence_alignment dbr:Null_distribution dbc:Bioinformatics dbr:Conditional_random_field dbr:Maximum_entropy_probability_distribution dbr:Mean dbr:Estimation_theory dbr:Gene_prediction dbr:Generative_model dbr:Conditional_probability_distribution dbr:Conjugate_prior dbr:Cryptanalysis dbr:Transportation_forecasting dbr:Andrey_Markov dbr:Baum–Welch_algorithm dbr:Signal_processing dbr:Siri dbr:Statistical_model dbr:Statistical_significance dbr:Stochastic_context-free_grammar dbr:Stochastic_matrix dbr:Computational_finance dbr:Leonard_E._Baum dbr:Pattern_recognition dbr:Physics dbr:Speech_synthesis dbr:Markov_model dbr:Markov_property dbr:Viterbi_algorithm dbr:Activity_recognition dbc:Hidden_Markov_models dbr:Layered_hidden_Markov_model dbr:Linear_dynamical_system dbr:Logistic_regression dbr:Dynamic_programming dbr:Economics dbr:Chromatin dbr:Dirichlet_distribution dbr:Dirichlet_process dbr:Discriminative_model dbr:False_positive_rate dbr:Forward_algorithm dbr:Handwriting_recognition dbr:Kalman_filter dbr:Partial_discharge dbr:Thermodynamics dbr:Gaussian_distribution dbr:Protein_folding dbr:Part-of-speech_tagging dbr:Speech_recognition dbr:HMMER dbr:Covariance_matrix dbr:Statistical_mechanics dbc:Articles_with_example_Python_(programming_language)_code dbc:Markov_models dbr:Chemistry dbr:Bioinformatics dbr:Hidden_semi-Markov_model dbr:Hierarchical_hidden_Markov_model dbr:Trellis_(graph) dbr:Markov_process dbr:Borel_set dbr:Finance dbr:Expectation-maximization_algorithm dbr:HHpred_/_HHsearch dbr:Time_Series dbr:Maximum_entropy_Markov_model dbr:Information_theory dbr:Categorical_distribution dbr:Sequence_motif dbr:Machine_translation dbr:Markov_chain_Monte_Carlo dbr:Markov_random_field dbr:Mathematical_model dbr:Maximum_likelihood dbr:Urn_problem dbr:Variable-order_Markov_model dbr:Neuroscience dbr:Extended_Kalman_filter dbr:Forward-backward_algorithm dbr:Unsupervised_learning dbr:Gesture_recognition dbr:Gibbs_sampling dbr:Stochastic_process dbr:Sequential_dynamical_system dbr:Single-molecule_experiment dbr:Statistically_independent dbr:Joint_distribution dbr:Joint_probability dbr:Conditional_distribution dbr:Hidden_Bernoulli_model dbr:Prior_distribution dbr:Multivariate_Gaussian_distribution dbr:File:Hmm_temporal_bayesian_net.svg dbr:File:HMMsequence.svg dbr:File:HiddenMarkovModel.svg dbr:Metamorphic_virus_detection dbr:File:A_profile_HMM_modelling_a_multiple_sequence_alignment.png |
| dbp:date | 2017-08-13 (xsd:date) |
| dbp:url | https://web.archive.org/web/20170813231824/http:/www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/main.html |
| dbp:wikiPageUsesTemplate | dbt:Authority_control dbt:Cite_journal dbt:Commons_category dbt:Div_col dbt:Div_col_end dbt:Good_article dbt:Mvar dbt:Ref dbt:Reflist dbt:Short_description dbt:Webarchive dbt:Stochastic_processes |
| dct:subject | dbc:Bioinformatics dbc:Hidden_Markov_models dbc:Articles_with_example_Python_(programming_language)_code dbc:Markov_models |
| gold:hypernym | dbr:Model |
| rdf:type | owl:Thing dbo:Person yago:WikicatMarkovModels yago:WikicatStatisticalModels yago:Assistant109815790 yago:CausalAgent100007347 yago:LivingThing100004258 yago:Model110324560 yago:Object100002684 yago:Organism100004475 yago:Person100007846 yago:PhysicalEntity100001930 yago:WikicatHiddenMarkovModels yago:Worker109632518 yago:YagoLegalActor yago:YagoLegalActorGeo yago:Whole100003553 |
| rdfs:comment | Een hidden Markov model (HMM) is een model uit de statistiek waarin het te modelleren systeem een markov-proces is met onwaarneembare toestanden. De uitkomsten van het proces hangen op bekende wijze af van een waarneembaar proces en wel zo dat op een bepaald tijdstip de toestand van dit waarneembare proces alleen afhangt van de toestand van de onwaarneembare toestand van het verborgen markov-proces. Het doel is kennis over het verborgen proces te verkrijgen op basis van het waarneembare proces. Hidden Markov-modellen worden gebruikt voor toepassingen als patroonherkenning. Een HMM kan worden beschouwd als de eenvoudigste vorm van een dynamisch Bayesiaans netwerk. (nl) 隠れマルコフモデル（かくれマルコフモデル、英: hidden Markov model; HMM）は、確率モデルのひとつであり、観測されない（隠れた）状態をもつマルコフ過程である。 (ja) En dold Markovmodell, eller HMM (engelska: Hidden Markov Model) är en statistisk modell som används för att modellera processer i bland annat taligenkänning, tidsseriedata och mönster i molekylära sekvenser som till exempel DNA och proteiner. I en typisk dold Markovmodell tänker man sig att ett system kan beskrivas som en mängd tillstånd vilka man rör sig mellan enligt en Markovkedja eller Markovprocess. I varje tillstånd emitteras då en symbol som representerar observerbar data. Man kan alltså inte direkt avgöra i vilket tillstånd modeller befinner sig utan måste försöka avgöra detta genom att studera det som har emitterats, därav benämningen dold Markovmodell. (sv) 隐马尔可夫模型（Hidden Markov Model；縮寫：HMM）或稱作隐性马尔可夫模型，是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。 在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中，状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。 (zh) نموذج ماركوف المخفي هو برنامج ماركوف الإحصائي الذي يكون فيه النظام الذي يتم العمل عليه مفترض انه ليس تحت المراقبة. نموذج ماركوف الخفي يمكن أن تمثل بانها ابسط ديناميكية في شبكة بايزي. الرياضيون وراء هذا النموذج "L. E. Baum" و زملاؤه. هذا النموذج يرتبط ارتباطا وثيقا بعمل سابق على "optimal nonlinear filtering problem by Ruslan L. Stratonovich" الذي كان أول من وصف "forward-backward procedure." * بوابة علم الحاسوب * بوابة روبوتيات * بوابة إحصاء (ar) Un model ocult de Màrkov o HMM (per les seves sigles de l'anglès, Hidden Markov Model) és un model estadístic en el qual s'entén que el sistema a modelar és un de paràmetres desconeguts. L'objectiu és determinar els paràmetres desconeguts (o ocults, d'aquí ve el seu nom) de la cadena a partir dels paràmetres observables. Els paràmetres extrets es poden emprar per dur a terme successives anàlisis, per exemple en aplicacions de reconeixement de patrons. Un HMM es pot considerar com la xarxa bayesiana dinàmica més simple. (ca) Skrytý Markovův model (angl. HMM) je statistický Markovův model, který modeluje systém za předpokladu, že jde o Markovův proces se skrytými (nepozorovanými) stavy. HMM může být znázorněn pomocí nejjednodušší . Matematické základy modelu vyvinul spolu se svým týmem spolupracovníků. Problematika velmi úzce souvisí s dřívější prací , který pracoval na lineárním a jako první popsal . Skryté Markovovy modely jsou známé zejména na poli rozpoznávání časových vzorů. Mezi ně spadá například rozpoznávání řeči, rukou psaného písma, gest a . Využití nalézá také v bioinformatice. (cs) Das Hidden Markov Model, kurz HMM (deutsch verdecktes Markowmodell, oder verborgenes Markowmodell) ist ein stochastisches Modell, in dem ein System durch eine Markowkette – benannt nach dem russischen Mathematiker A. A. Markow – mit unbeobachteten Zuständen modelliert wird.Ein HMM kann dadurch als einfachster Spezialfall eines dynamischen bayesschen Netzes angesehen werden. Wichtige Anwendungsgebiete sind Sprach- und Schrifterkennung, Computerlinguistik und Bioinformatik, Spamfilter, Gestenerkennung in der Mensch-Maschine-Kommunikation, physikalische Chemie und Psychologie. (de) A hidden Markov model (HMM) is a statistical Markov model in which the system being modeled is assumed to be a Markov process — call it — with unobservable ("hidden") states. As part of the definition, HMM requires that there be an observable process whose outcomes are "influenced" by the outcomes of in a known way. Since cannot be observed directly, the goal is to learn about by observing HMM has an additional requirement that the outcome of at time must be "influenced" exclusively by the outcome of at and that the outcomes of and at must not affect the outcome of at (en) Un modelo oculto de Márkov o HMM (por sus siglas del inglés, Hidden Markov Model) es un modelo estadístico en el que se asume que el sistema a modelar es un proceso de Márkov de parámetros desconocidos. El objetivo es determinar los parámetros desconocidos (u ocultos, de ahí el nombre) de dicha cadena a partir de los parámetros observables. Los parámetros extraídos se pueden emplear para llevar a cabo sucesivos análisis, por ejemplo en aplicaciones de reconocimiento de patrones. Un HMM se puede considerar como la red bayesiana dinámica más simple. (es) Model Markov Tersembunyi atau lebih dikenal sebagai Hidden Markov Model (HMM) adalah sebuah model statistik dari sebuah sistem yang diasumsikan sebuah dengan parameter yang tak diketahui, dan tantangannya adalah menentukan parameter-parameter tersembunyi (state) dari parameter-parameter yang dapat diamati (observer). Parameter-parameter yang ditentukan kemudian dapat digunakan untuk analisis yang lebih jauh, misalnya untuk aplikasi Pattern Recognition. Sebuah HMM dapat dianggap 4, sebuah Bayesian Network dinamis yang paling sederhana. (in) Un modèle de Markov caché (MMC, terme et définition normalisés par l’ISO/CÉI [ISO/IEC 2382-29:1999]) —en anglais : hidden Markov model (HMM)—, ou plus correctement (mais non employé) automate de Markov à états cachés, est un modèle statistique dans lequel le système modélisé est supposé être un processus markovien de paramètres inconnus. Contrairement à une chaîne de Markov classique, où les transitions prises sont inconnues de l'utilisateur mais où les états d'une exécution sont connus, dans un modèle de Markov caché, les états d'une exécution sont inconnus de l'utilisateur (seuls certains paramètres, comme la température, etc. sont connus de l'utilisateur). (fr) 은닉 마르코프 모형(영어: hidden Markov model, HMM)은 통계적 마르코프 모형의 하나로, 시스템이 은닉된 상태와 관찰가능한 결과의 두 가지 요소로 이루어졌다고 보는 모델이다. 관찰 가능한 결과를 야기하는 직접적인 원인은 관측될 수 없는 은닉 상태들이고, 오직 그 상태들이 마르코프 과정을 통해 도출된 결과들만이 관찰될 수 있기 때문에 '은닉'이라는 단어가 붙게 되었다. 은닉 마르코프 모형은 로 간단히 나타낼 수 있으며, 은닉 마르코프 모형의 해를 찾기 위해 을 제안한 스트라토노빅의 최적 비선형 필터링 문제와 밀접한 관련이 있다.한편 은닉 마르코프 모형에 사용된 수학적 개념들은 바움(L. E. Baum)과 그의 동료들에 의해 정립되었다. 은닉 마르코프 모형은 시간의 흐름에 따라 변화하는 시스템의 패턴을 인식하는 작업에 유용하다. 예를 들어 음성 인식, 필기 인식(en:Handwriting recognition), 동작 인식(en:Gesture Recognition), 품사 태깅(en:Part-of-speech tagging), 악보에서 연주되는 부분을 찾는 작업, 부분 방전(en:Partial discharge), 생물정보학 분야에서 이용된다. (ko) Un modello di Markov nascosto (Hidden Markov Model - HMM) è una catena di Markov in cui gli stati non sono osservabili direttamente. Più precisamente: * la catena ha un certo numero di stati * gli stati evolvono secondo una catena di Markov * ogni stato genera un evento con una certa distribuzione di probabilità che dipende solo dallo stato * l'evento è osservabile ma lo stato no (it) Скрытая марковская модель (СММ) — статистическая модель, имитирующая работу процесса, похожего на марковский процесс с неизвестными параметрами, и задачей ставится разгадывание неизвестных параметров на основе наблюдаемых. Полученные параметры могут быть использованы в дальнейшем анализе, например, для распознавания образов. СММ может быть рассмотрена как простейшая байесовская сеть доверия. Основное применение СММ получили в области распознавания речи, письма, движений и биоинформатике. Кроме того, СММ применяются в криптоанализе, машинном переводе. (ru) Um modelo oculto de Markov (ou modelo escondido de Markov) é um modelo estatístico em que o sistema modelado é assumido como um processo de Markov com parâmetros desconhecidos, e o desafio é determinar os parâmetros ocultos a partir dos parâmetros observáveis. Os parâmetros extraídos do modelo podem então ser usados para realizar novas análises, por exemplo para aplicações de reconhecimento de padrões. Esse tipo de modelo é conhecido por sua aplicação na área de reconhecimento de padrões temporais como a fala, a escrita, os gestos e a bioinformática. (pt) Прихо́вана ма́рковська моде́ль, ПММ (англ. hidden Markov model, HMM) — це статистична марковська модель, у якій система, що моделюється, розглядається як марковський процес із неспостережуваними (прихованими) станами. ПММ може бути представлено як найпростішу динамічну баєсову мережу. Математичний апарат для ПММ було розроблено зі співробітниками. Він тісно пов'язаний з більш ранньою працею про оптимальну нелінійну Руслана Стратоновича, який першим описав . (uk) |
| rdfs:label | نظرية ماركوف المخفية (ar) Model ocult de Màrkov (ca) Skrytý Markovův model (cs) Hidden Markov Model (de) Modelo oculto de Márkov (es) Model Markov tersembunyi (in) Modèle de Markov caché (fr) Hidden Markov model (en) Modello di Markov nascosto (it) 隠れマルコフモデル (ja) 은닉 마르코프 모형 (ko) Hidden Markov model (nl) Modelo oculto de Markov (pt) Dold Markovmodell (sv) Скрытая марковская модель (ru) 隐马尔可夫模型 (zh) Прихована марковська модель (uk) |
| owl:sameAs | freebase:Hidden Markov model http://d-nb.info/gnd/4352479-5 yago-res:Hidden Markov model wikidata:Hidden Markov model dbpedia-af:Hidden Markov model dbpedia-ar:Hidden Markov model dbpedia-bg:Hidden Markov model dbpedia-ca:Hidden Markov model dbpedia-cs:Hidden Markov model dbpedia-de:Hidden Markov model dbpedia-es:Hidden Markov model dbpedia-fa:Hidden Markov model dbpedia-fi:Hidden Markov model dbpedia-fr:Hidden Markov model dbpedia-he:Hidden Markov model dbpedia-id:Hidden Markov model dbpedia-it:Hidden Markov model dbpedia-ja:Hidden Markov model dbpedia-ko:Hidden Markov model dbpedia-nl:Hidden Markov model dbpedia-pt:Hidden Markov model dbpedia-ru:Hidden Markov model dbpedia-sh:Hidden Markov model dbpedia-sl:Hidden Markov model dbpedia-sr:Hidden Markov model dbpedia-sv:Hidden Markov model dbpedia-th:Hidden Markov model dbpedia-uk:Hidden Markov model dbpedia-vi:Hidden Markov model dbpedia-zh:Hidden Markov model https://global.dbpedia.org/id/iFxA |
| prov:wasDerivedFrom | wikipedia-en:Hidden_Markov_model?oldid=1124341353&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/A_profile_HMM_modelling_a_multiple_sequence_alignment.png wiki-commons:Special:FilePath/HMMsequence.svg wiki-commons:Special:FilePath/HiddenMarkovModel.svg wiki-commons:Special:FilePath/Hmm_temporal_bayesian_net.svg |
| foaf:isPrimaryTopicOf | wikipedia-en:Hidden_Markov_model |
| is dbo:knownFor of | dbr:David_Haussler |
| is dbo:wikiPageDisambiguates of | dbr:HMM |
| is dbo:wikiPageRedirects of | dbr:Applications_of_hidden_Markov_models dbr:Hidden_Markov_Model dbr:Hidden_Markov_Models dbr:Hidden_Markovian_model dbr:Hidden_markov_model dbr:Poisson_hidden_Markov_model dbr:Poisson_hidden_markov_model dbr:Hidden_Markov_Chain dbr:Hidden_Markov_models dbr:Markov_state_model |
| is dbo:wikiPageWikiLink of | dbr:Bayesian_programming dbr:Protein_secondary_structure dbr:List_of_acronyms:_H dbr:List_of_algorithms dbr:List_of_gene_prediction_software dbr:N-gram dbr:Numerical_Recipes dbr:Particle_filter dbr:Time_series dbr:David_Haussler dbr:Anomaly_detection dbr:Approximate_Bayesian_computation dbr:How_to_Create_a_Mind dbr:John_Robert_Anderson_(psychologist) dbr:Julian_Gough_(scientist) dbr:Julius_(software) dbr:List_of_graph_theory_topics dbr:List_of_important_publications_in_computer_science dbr:Persian_Speech_Corpus dbr:Pfam dbr:Richard_James_Boys dbr:DNA_footprinting dbr:DNase-Seq dbr:Vector_quantization dbr:Deep_learning dbr:Deinococcus_deserti dbr:Dynamic_Bayesian_network dbr:Dynamic_time_warping dbr:EamA dbr:Information_extraction dbr:Inside–outside_algorithm dbr:Intention_mining dbr:Music_alignment dbr:Sequence_alignment dbr:List_of_probability_topics dbr:Structured_prediction dbr:OMPdb dbr:Protein_structure_prediction dbr:GeneMark dbr:Gene_prediction dbr:Genostar dbr:Mixture_model dbr:VDAC1 dbr:Quantum_finite_automaton dbr:Radical_SAM dbr:Timeline_of_speech_and_voice_recognition dbr:Clustal dbr:Frederick_Jelinek dbr:Generative_model dbr:Multimodal_interaction dbr:Mutual_information dbr:Connectionist_temporal_classification dbr:Conserved_sequence dbr:Context_model dbr:Third-generation_sequencing dbr:Andrew_Viterbi dbr:Andrey_Markov dbr:Apertium dbr:Applications_of_hidden_Markov_models dbr:Baum–Welch_algorithm dbr:Link_grammar dbr:Shogun_(toolbox) dbr:Sinsy dbr:Steve_Young_(software_engineer) dbr:Stéphane_Bonhomme dbr:Subhasis_Chaudhuri dbr:Computer_facial_animation dbr:Emotion_recognition dbr:Kernel_embedding_of_distributions dbr:PMC dbr:Parallel_computing dbr:Path_analysis_(statistics) dbr:Pattern_recognition dbr:Machine_learning_in_bioinformatics dbr:Speech_synthesis dbr:Superfamily_database dbr:Synoptic_Gospels dbr:Map_matching dbr:Markov_information_source dbr:Markov_model dbr:Markov_property dbr:Markovian_discrimination dbr:Masreliez's_theorem dbr:Maximum-entropy_Markov_model dbr:Viterbi_algorithm dbr:Brown_clustering dbr:CMU_Sphinx dbr:Activity_recognition dbr:Adaptive_sampling dbr:Additive_smoothing dbr:CellCognition dbr:Traffic_analysis dbr:GENSCAN dbr:HTK_(software) dbr:HTK_Ltd dbr:Janus_Recognition_Toolkit dbr:Latent_and_observable_variables dbr:Layered_hidden_Markov_model dbr:Virtual_assistant dbr:Speech_processing dbr:Affective_computing dbr:Dynamic_programming dbr:European_Bioinformatics_Institute dbr:Facial_recognition_system dbr:Folding@home dbr:British_National_Corpus dbr:Numbers_(season_5) dbr:Fast_statistical_alignment dbr:Forward_algorithm dbr:Forward–backward_algorithm dbr:Hankel_matrix dbr:Haplotype_estimation dbr:History_of_artificial_neural_networks dbr:Iterative_Viterbi_decoding dbr:Kalman_filter dbr:Probabilistic_context-free_grammar dbr:Text_corpus dbr:List_of_Russian_mathematicians dbr:List_of_Russian_scientists dbr:Sensor_fusion dbr:HMM dbr:Part-of-speech_tagging dbr:Quantum_machine_learning dbr:Recurrent_neural_network dbr:Speaker_recognition dbr:Speech_recognition dbr:HH-suite dbr:HMMER dbr:Haplotype dbr:Hidden_Markov_Model dbr:Hidden_Markov_Models dbr:Hidden_Markovian_model dbr:Hidden_markov_model dbr:Hierarchical_Dirichlet_process dbr:Jaap_Wessels dbr:Quranic_Arabic_Corpus dbr:Artificial_intelligence dbr:AMRFinderPlus dbr:Latent_variable_model dbr:Lawrence_Rabiner dbr:Biing-Hwang_(Fred)_Juang dbr:Bioinformatics dbr:Bitext_word_alignment dbr:Symbolic_artificial_intelligence dbr:Hidden_Markov_random_field dbr:Hidden_semi-Markov_model dbr:Hierarchical_hidden_Markov_model dbr:Threading_(protein_sequence) dbr:Statistical_data_type dbr:Digital_image_processing dbr:BCJR_algorithm dbr:CLAWS_(linguistics) dbr:Phyre dbr:Poisson_hidden_Markov_model dbr:Poisson_hidden_markov_model dbr:Circular_permutation_in_proteins dbr:Grid.org dbr:Cas12a dbr:Catalog_of_articles_in_probability_theory dbr:Semiring dbr:Sequence_motif dbr:Yasuo_Matsuyama dbr:Markov_chain dbr:Lorraine_Lisiecki dbr:Multiple_sequence_alignment dbr:Statistical_machine_translation dbr:Simple_Modular_Architecture_Research_Tool dbr:Text_segmentation dbr:Time-series_segmentation dbr:Sodium_channel dbr:Expectation–maximization_algorithm dbr:FMLLR dbr:IBM_alignment_models dbr:List_of_speech_recognition_software dbr:List_of_statistics_articles dbr:List_of_terms_relating_to_algorithms_and_data_structures dbr:List_of_things_named_after_Andrey_Markov dbr:Sequence_logo dbr:Ronjon_Nag dbr:Finite-state_machine dbr:Fisher_kernel dbr:Gibbs_sampling dbr:TIGRFAMs dbr:Tree_alignment dbr:Named-entity_recognition dbr:Sean_Eddy dbr:Hidden_Markov_Chain dbr:Hidden_Markov_models dbr:Munther_A._Dahleh dbr:Stochastic_grammar dbr:Pop_music_automation dbr:Sequence_analysis_in_social_sciences dbr:Similarity_Matrix_of_Proteins dbr:Non-homologous_isofunctional_enzymes dbr:List_of_Russian_people dbr:Outline_of_artificial_intelligence dbr:Outline_of_machine_learning dbr:Outline_of_natural_language_processing dbr:Peter_Fitzhugh_Brown dbr:Recursive_Bayesian_estimation dbr:Rogemar_Mamon dbr:Sixty-Six_(card_game) dbr:Sequence_labeling dbr:Signature_recognition dbr:TimeLogic dbr:Types_of_artificial_neural_networks dbr:Time-inhomogeneous_hidden_Bernoulli_model dbr:Éric_Moulines dbr:Markov_state_model |
| is foaf:primaryTopic of | wikipedia-en:Hidden_Markov_model |
