Deux tâches majeures dans les applications des modèles de Markov cachés sont de (je) calculer
distributions de statistiques récapitulatives de la séquence d'états cachés, et (ii)
décoder la séquence d'états cachés. Nous décrivons l'intégration de chaînes de Markov finies
(FMCI) et décodage hybride pour résoudre chacune de ces deux tâches. Dans la première partie
de notre article, nous utilisons FMCI pour calculer les distributions a posteriori du résumé
des statistiques telles que le nombre de visites dans un état caché, le temps total passé
dans un état caché, le temps de séjour dans un état caché, et le plus long terme
longueur. Nous utilisons des simulations de la séquence d'états cachés, conditionnellement à la
séquence observée, établir le cadre FMCI. Dans la deuxième partie de notre
papier, nous appliquons la segmentation hybride pour améliorer le décodage d'un HMM. Nous
démontrer que le décodage hybride présente des performances accrues par rapport à
Décodage de Viterbi ou Postérieur (souvent également appelé mondial ou local
décodage), et nous introduisons une nouvelle procédure pour choisir le paramètre de réglage
dans la procédure hybride. En outre, nous proposons une dérivation alternative de
la fonction de perte hybride basée sur des moyennes géométriques pondérées. Nous démontrons et
appliquer le FMCI et le décodage hybride sur divers ensembles de données classiques, et fourniture
code d'accompagnement pour la reproductibilité.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: