Многомерная скрытая модель Маркова

Как я могу объединить несколько спектров излучений с одинаковыми марковскими состояниями?

Давайте использовать классический пример HMM:

% states
S = {sunny, rainy, foggy}

% discrete observations
x = {umbrella, no umbrella}

А что если бы у меня было несколько последовательностей наблюдений. Например:

% sequence 1
x1 = {umbrella, no umbrella}

% sequence 2
x2 = {wearing a coat, not wearing a coat}

Как я могу объединить эти две последовательности наблюдений в один HMM?

Примечание: я хотел бы объединить x1 а также x2 так что их взаимозависимости также моделируются. Поэтому просто говоря x={x1 x2} (ИМО) не будет хорошим решением.

В частности, я хочу тренировать HMM на основе hmmtrain от Matlab:

[ESTTR,ESTEMIT] = hmmtrain(seq,TRGUESS,EMITGUESS)

Это только позволяет мне вставить один seq,

Теперь допустим, у меня есть 5 различных спектров излучения, которые все что-то говорят о состояниях HMM. Как я могу справиться с этим многовариантным случаем?

Источник

2 ответа

Решение

Как насчет того, чтобы взять декартово произведение возможных наблюдений из каждого набора. То есть ваша новая модель дискретного излучения будет:

  • зонтик и пальто
  • зонтик и не носить пальто
  • без зонтов и в пальто
  • не зонтик и не носить пальто
Источник

А как насчет создания предпосылок для выбора специального HMM? Вместо огромного HMM вы можете создать несколько маленьких HMM и выбрать только соответствующий HMM. Например: если (зонтик = истина), тогда примените HMM_1, иначе примените HMM_2. Тогда у вас также будет меньше символов эмиссии в HMM. Хороший побочный эффект: вы экономите время на обучение и тестирование.

Источник
Другие вопросы по тегам