Скрытые марковские модели – теория

В сфере распознавания о сигналах нередко думают как о продукте умножения, которые работают статистически. Так, цель проведения анализа данных сигналов – как можно точнее провести моделирование статических свойств источников сигналов. Базой данной модели считается обычное исследование данных а также возможная степень ограничения отклонений, которые возникают. Но, модель, которая будет определяться, обязана не только повторять выработку конкретных данных как можно точнее, однако и доставлять нужную информацию о многих значимых единиц для сегментации сигналов.Скрытые модели Маркова имеют возможность проводить обработку всех аспектов моделирования, которые указаны выше. В двухэтапном стохастическом ходе, информацию для сегментации можно получить из внутренних состояний модели, в то время как сама генерация сигнала данных случается на втором этапе. Немалую известность данная технология моделирования получила в результате успешного использования а также последующего формирования в сфере автоматического распознавания речи. Изучение скрытых моделей Маркова превзошли все подходы, которые конкурировали с ними, и считаются главной парадигмой обработки. Их умение описывать процессы либо сигналы с успехом исследуется на протяжении долгого времени. Все это происходит, по причине того, что технология построения искусственных нейронных сетей, редко используется с целью распознавания речи а также подобных проблем сегментации. Тем не менее, есть много гибридных систем, которые состоят из комбинации скрытых моделей Маркова а также искусственных нейронных сетей, в которых применяют преимущества всех способов моделирования.рис.1 Скрытая Марковская модель
1.2 Характеристика скрытых Марковских моделей. Скрытость
Скрытые модели Маркова характеризуют двухэтапный стохастический процесс. Первый этап заключается в дискретном стохастическом процессе, который считается статичным, каузативным а также простым. Пространство состояний объясняется как конечное. Так, процесс с какой-то определенной вероятностью характеризует состояние перехода в дискретность, конечное пространство состояний. Данное возможно на практике представить как итоговой автомат с перепадами между любыми парами состояний, помеченные вероятностью перехода. Поведение процесса на данный момент времени t находится в зависимости от непосредственного состояния элемента, который предшествовал и может быть описано таким образом:На втором этапе для каждого момента времени t в дополнение, посредством вывода либо выходных данных, генерируется Ot. Распространение ассоциативной вероятности находится в зависимости только от текущего состояния St, а не от каких-нибудь состояний либо выводных данных, которые были до этого.
Данная последовательность выводных данных единственное, что можно увидеть в поведении модели. С другой стороны, состояние последовательности, которое было принято во время генерации данных нельзя исследовать. Это и называют скрытостью, из которой выходит определение скрытых моделей Маркова. Если рассмотреть модель внешне – то есть проводить наблюдение за ее поведением – очень часто всплывают ссылки на последовательность выводных состояний Oi, O2… OT, как на причину процесса наблюдения за последовательностью

. Далее определенные элементы данной последовательности можно называть называть результатом наблюдения.
1.3 Распознавание скрытых Марковских моделей. Дискретные скрытые Марковские модели
В учебных пособиях паттерны распознавания поведений скрытых Марковских моделей всегда исследуются на конкретном отрезке времени T. С целью инициализации модели в самом начале данного периода применяются дополнительные вероятности, для того чтобы можно было провести описание вероятности распределения состояний во время t=1. Эквивалентного критерия конечного состояния, как показывает практика, нет. Так, действия модели приходят в конечное состояние, по достижению произвольного состояния на момент времени Т. Ни статические, ни декларативные критерии не применяются, чтобы более точно отметить конец состояний. Тем не менее, СММ первого порядка, которые часто обозначают как А, полностью характеризуются:• установлением итогового множества состояний {s| 1sN}, в учебных пособиях, как правило, называют только их индексы,• состоянием вероятностей переходов, матрицей А
• вектором начала состояний π
• состоянием определенного распределения вероятностей
 f для вывода моделей
Но, распределение вывода надо отличать в зависимости от типа выходных данных во время процесса генерации. В самом обычном случае выходные данные генерируются из дискретных распределений вероятности {O1, O2 … OM}, и отсюда следует, что они обладают символьным типом. Параметр bj(ok) представляет дискретную вероятность распределения, который можно сгрупировать в матрицу вероятностей выходных данных:
При данном выборе выходных данных моделирования получаются, как их называют, дискретные скрытые Марковские модели. Если при этом есть вектор значений последовательности x e IRn, а не выход данных распределения, которые описаны на основе непрерывной функции распределения вероятности, получается так:На сегодняшний день, использование скрытых Марковских моделей для задач анализа сигнала применяются только, так называемые, непрерывные скрытые Марковские модели, хотя надобность моделирования непрерывного распределения сильно повышает сложность анализа.

1.4 Формирование статистической модели с помощью скрытых Марковских моделей. Эргодическая скрытая Марковская модель
Более быстрое а также результативное взаимодействие между людьми проходит с помощью устной речи. Посредством речи могут быть переданы разные чувства а также эмоции, а главное — необходимая информация. Надобность формирования компьютерных интерфейсов звукового ввода-вывода не вызывает какие-либо сомнения, потому что их результативность базирована на фактически неограниченных возможностях формулировки в самых разных сферах человеческой деятельности. Первая электронная машина, которая синтезировала английскую речь, была представлена в Нью-Йорке на торговой выставке в 1939 году и имела название voder, однако звук, который она выдавала, был очень нечетким. Первое же устройство для распознавания речи появилось на свет в 1952 втором году а также могло распознавать цифры. При ходе распознавания речи можно выделить такие появившееся сложности: произвольный, наивный пользователь; спонтанная речь, которая сопровождается аграмматизмами и речевым «мусором»; наличие акустических помех а также искажений; наличие речевых помех