Sunuyu indir
Sunum yükleniyor. Lütfen bekleyiniz
1
Hidden Markov Model Forward Algoritması Viterbi Algoritması
Doç.Dr.Banu Diri
2
Rasgele Olmayan /Gerekirci Model
Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir öceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır.
3
Rasgele Olmayan /Gerekirci Model
Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir öceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır.
4
Rasgele Olmayan /Gerekirci Model
Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir öceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır.
5
Rasgele Olmayan /Gerekirci Model
Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir öceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır.
6
Rasgele Olmayan /Gerekirci Model
Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir önceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır.
7
ilk olasılıklar vektörü п
Rasgele Olan /Gerekirci Olmayan Model Markov modelde bir durumdan diğer bir duruma geçiş önceki n duruma bağlı olarak gerçekleştirilir. Bu işlem order n model olarak adlandırılır, n değeri gelecek durumun seçiminde etkili olan durum sayısıdır. N basit Markov model first order (n=1) modeldir. Gerekirci modele benzemez, çünkü burada durumların olasılıkları sözkonusudur. 0.5 0.25 ilk olasılıklar vektörü п M adet durum (state) varsa maksimum M2 adet bağlantı (transition) olabilir. Bu bağlantıların olasılıkları da Transition Matrix ile verilir.
8
First order Markov process :
states : 3 durum - sunny, cloudy, rainy. vector (п): 0 anında herbir state’in olasılığı state transition matrix : Verilen bir önceki güne göre havanın ne olabileceğinin olasılığı
9
HMM kullanan uygulamalar
• NLP – Part-of-speech tagging – Word segmentation – Information extraction – Optical Character Recognition (OCR) • Speech recognition – Modeling acoustics • Computer Vision – gesture recognition • Biology – Gene finding – Protein structure prediction • Economics, Climatology, Communications, Robotics…
10
Saklı Markov Model (Hidden Markov Model)
Markov modelden farklı olarak Saklı Markov Modelde sistemin herhangi bir t anında, hangi durumda olduğu bilinmez, ancak sistem bir durumda iken bu durumun tetiklediği gözlemi ortaya çıkarır. (outputs)
11
Saklı Markov model (HMM) bir üçlüdür (п ,A, B)
State’lerin başlangıç durumları; state transition matrix; confusion matrix; HMM’ de üç problem vardır. Gözlemlenen bir sekansın gerçekleşme olasılığının bulunması (Forward Algorithm). Gözlemlere dayanarak saklı state’lerin en muhtemel sekansının bulunması (Viterbi Algorithm). Gözlemlenen sekansın üretilebilmesi için model parametrelerin belirlenmesi (Forward-Backward).
12
Forward Algorithm Gözlemlenen bir sekansın olasılığının bulunması
Forward Algorithm Gözlemlenen bir sekansın olasılığının bulunması 27 farklı durum Pr(dry,damp,soggy | HMM) = Pr(dry,damp,soggy | sunny,sunny,sunny) + Pr(dry,damp,soggy | sunny,sunny ,cloudy) + Pr(dry,damp,soggy | sunny,sunny ,rainy) Pr(dry,damp,soggy | rainy,rainy ,rainy)
13
T uzunluğunda gözlemlenen sekans
Intermediate probabilities ( 's) değeri t=1 deki bütün state’ler için hesaplanır. t = 2, ..., T her adım için her state’in partial probability hesaplanır Son olarak bütün partial probability’ler toplanır ve verilen HMM için gözlemlenen sekansın olasılığı hesaplanır.
14
State transition matrix (‘a' matrix) Confusion matrix (‘b' matrix)
Hidden States (weather) Sunny Cloudy Rainy Observed States Dry Dryish Damp Soggy Initial State Prob.(Π vector) Sunny 0.63 Cloudy 0.17 Rainy 0.20 State transition matrix (‘a' matrix) Confusion matrix (‘b' matrix) Today Weather Sunny Cloudy Rainy 0.5 0.25 0.250 0.375 0.125 0.675 Yesterday Weather
23
Olası Hidden State Sekansının Bulunması
Gözlemlenen sekansı veren Hidden State sekanslarının bulunması gerekir. Farklı path’ler çıkarılabilir ancak amaç en iyi path bulmaktır. Maksimum olasılığı veren path aranır. Bunu için partial probability hesaplanır.
24
Viterbi Algoritması )
25
Viterbi Algorithm
29
Delta = max ((0.37800002*0.5), (0.0425*0.375), (0.010000001*0.125)) * 0.15 = 0.028350003
30
Delta = max ((0.37800002*0.25), (0.0425*0.125), (0.010000001*0.675)) * 0.25 = 0.023625001
31
Delta = max ((0.37800002*0.25), (0.0425*0.375), (0.010000001*0.375)) * 0.35 = 0.033075
33
Kaynaklar
Benzer bir sunumlar
