Штучний інтелект

Анотація: Досліджені основні результати використання апарату прихованих марківських моделей для аналізу часових рядів та пов’язані з ними діаграми впливу. Розглянуті особливості використання апарату марківських ланцюжків для аналізу часових рядів та навчання марківських ланцюжків.

Ключові слова:

Посилання:

1. Степанкова Г.А., Баклан І.В. Деякі підходи до навчання прихованих марківських моделей // Матеріалиміжнародної наукової конференції «Інтелектуальні системи прийняття рішень та проблеми обчислювального інтелекту». – Євпаторія. – 2008. – Т. 3 (ч. 2) – С. 87-91.
2. Баклан И.В., Степанкова А.А. Алгоритмы обучения скрытых марковских моделей // Системний аналіз таінформаційні технології: Матеріали Х Міжнародної науково-технічної конференції (Київ, 20 – 24 травня2008 р.). – К.: НТУУ «КПІ», 2008. – С.170.
3. Wilks S.S. (1962): Mahematical Statistics, John Wiley and Sons, New York and London.
4. Levinson S.E., Rabiner L.R., Sondhi M.M. An Introduction to the Applications of Theory of ProbabilisticFunctions of a Markov Chain to Automatic Speech Recognition // The Bell System Technical Journal. – 1983. –№ 62. – P. 1053-1074.
5. Rabiner L.R. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition // Proc. ofthe IEEE. – 1989. – № 77. – P. 257-286.
6. Smith J.Q. Influence diagramsfor statistical modelling // Annals of Statistics. – 1989. – № 17. – P. 654-672.
7. Grahramani Z. and Jordan M. Factorial hidden Markov models // Machine Learning. – 1997. – № 29. – P. 245-273.
8. Boys R.J., Henderson D. and Wilkinson D.J. Detecting homogeneous segments in DNA sequences using hiddenMarkov models // Applied Stistacs. – 2000. – № 49. – Part 2. – P. 269-285.
9. Ephraim Y., Dembo A. and Rabiner L.R. Minimum Discrimination Information Approach for Hidden MarkovModelling // IEEE Trans. jn Information Theory. – 1989. – № 35. – P. 1000-1013.
10. Baldi P. and Chauvin Y. Smooth On-Line Learning Algorithms for Hidden Markov Models // Neural Computation. – 2000. – № 6. – P. 307-318.
11. Juang B.H. and Rabiner L.R. The segmental K-means Algorithm for Estimating Parameters of Hidden MarkovModels // IEEE Transactions on Acoustics, Speech and Signal Processing. – 1990. – № 38. – P. 1639-1641.
12. Lucke H. Which Stochastic Models Allow Baum-Welch Training? // IEEE Transactions on Signal Processing. –1996. – № 44. – P. 2746-2756.
13. Smyth P., Heckerman D. and Jordan M.L. Probabilistic Independence Networks for hidden Markov probabilitymodels // Neural Computation. – 1997. – № 9. – P. 227-269.