Selection of parameters of HMM

• Autorzy: Bobulski J.

Warianty tytułu

PL

Dobór parametrów HMM

• Języki publikacji: EN

Abstrakty

EN

Hidden Markov models are widely applied in data classification. They are used in many areas. The choice of parameters of HMM is very important because of efficiency of whole identification system. Individual parameters should be matched individually for each system in the experiment way.

PL

Ukryte modele Markowa (ang. Hidden Markov Models - HMM) są szeroko stosowane do klasyfikacji danych w wielu dziedzinach, np. w biometryce do rozpoznawania twarzy lub głosu, rozpoznawania obrazów i dźwięku. Pozwala to na budowanie skutecznych systemów kontroli dostępu do zasobów oraz systemów identyfikacji/autoryzacji osób. Każde z tych zastosowań wymaga specyficznego podejścia do problemu i odpowiedniego zaprojektowania HMM. Dobór Parametrów HMM jest bardzo ważny ze względu za skuteczność systemu identyfikacji. Poszczególne parametry powinny być dobierane indywidualnie dla każdego systemu w sposób eksperymentalny, a badania powinny być przeprowadzone na reprezentatywnej liczbie wzorców. Najważniejszym problemem w projektowaniu systemów opartych o HMM jest wybór architektury modelu, czyli topologii oraz liczby stanów i obserwacji. Wpływ na te parametry ma złożoność i zróżnicowanie danych- sygnałów wejściowych. W przypadku topologii do dyspozycji mamy modele ergodyczne lub left-right. Natomiast przy doborze liczby stanów i obserwacji uwzględniamy typ sygnału wejściowego. Im bardziej złożony i różnorodny, tym te wartości powinny być większe. Należy jednak pamiętać, że im więcej stanów i obserwacji wybierzemy, tym czas estymacji parametrów i czas testowania wydłuży się wykładniczo. Ponadto istnieje granica, powyżej której system nie będzie wykazywał większej skuteczności.

Słowa kluczowe

EN

image processing; hidden Markov models; HMM

PL

przetwarzanie obrazów; ukryte modele Markowa; UMM

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2009
• Tom: R. 55, nr 10
• Strony: 844--846
• Opis fizyczny: Bibliogr. 8 poz., wzory

Twórcy

autor

Bobulski J.

• Institute of Computer and Information Science, Czestochowa University of Technology,

Bibliografia

• [1] Murphy K.: Hidden Markov Model (HMM) Toolbox for Matlab, http://www.ai.mit.edu/~murphyk/Software/HMM/hmm.html, 2004.
• [2] Rabiner L. R.: A Tutorial on Hidden Markov Models and Selected Application in Speech Recognition, Proc. IEEE 77, pp. 257-285, 1998.
• [3] Li X., Parizeau M., Plamondon R.: Training Hidden Markov Models with Multiple Observations – A Combinatorial Method, IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 22 No 4, pp 371-377, 2000.
• [4] Samaria F., Fallside F.: Face Identification and Feature Extraction Using Hidden Markov Models, Image Processing: Theory and Applications, 1993.
• [5] Samaria F, Young S.: HMM-based Architecture for Face Identification, Image and Vision Computing, Vol. 12 No 8 October , pp 537-543, 1994.
• [6] Kanungo T.: Hidden Markov Model Tutorial, www.cfar.umd.edu/ ~kanungo, 2003.
• [7] Aas K., Eikvil L.: Text Page Recognition Using Gray-level Features and Hidden Markov Models, Pattern Recognition, Vol. 29, pp 977-985, 1996.
• [8] Forney G. D.: The Viterbi Algorithm, Proc. IEEE, Vol. 61 No 3, pp 268-278, 1973.