Попов Александр Александрович,
Гультяева Татьяна Александровна
Аннотация
В работе исследуется возможность повышения дискриминирующих свойств скрытых марковских моделей путем использования вторичных признаков, инициированных этими моделями, с применением классификатора, основанного на методе опорных векторов. Рассматривается случай, когда исследователь не обладает точными знаниями о структуре близких между собой по параметрам скрытых марковских моделей, которые смоделировали классифицируемые последовательности
Ключевые слова: скрытые марковские модели, производные от логарифма функции правдоподобия, метод опорных векторов, многоклассовая классификация
Авторы:
Попов Александр Александрович
доктор технических наук, профессор, заведующий кафедрой программных систем и баз данных Новосибирского государственного технического университета. Основные направления научных исследований – статистические методы анализа данных, оптимальное планирование эксперимента. Имеет более 100 публикаций, в том числе 1 монографию. E-mail: alex@fpm.ami.nstu.ru.
Гультяева Татьяна Александровна
ассистент кафедры программных систем и баз данных Новосибирского государственного технического университета. Основные направления научных исследований – скрытые марковские модели, статистические и структурные методы распознавания. Имеет 33 публикации. E-mail: gtany@mail.ru.
Список литературы
[1] Гультяева Т.А. Вычисление первых производных от логарифма функции правдоподобия для скрытых марковских моделей / Т.А. Гультяева // Сб. науч. тр. НГТУ. – 2010. – № 2(60). – С. 39–46. [2] Гультяева Т.А. Особенности вычисление первых производных от логарифма функции правдоподобия для скрытых марковских моделей при длинных сигналах / Т.А. Гультяева // Сб. науч. тр. НГТУ. – 2010. – № 2(60). – С. 47–52. [3] Гультяева Т.А. Классификация зашумленных последовательностей, порожденных близкими скрытыми марковскими моделями / Т.А. Гультяева, А.А. Попов // Научный вестник НГТУ. – 2011. – № 3(44). – С. 3–16. [4] Гультяева Т.А. Классификация последовательностей, смоделированных скрытыми марковскими моделями при наличии аддитивного шума / Т.А. Гультяева, А.А. Попов // Научный вестник НГТУ. – 2012. – № 3(48). – С. 17–24. [5] Гультяева Т.А. Исследование возможностей применения алгоритма k ближайших соседей и метода опорных векторов для классификации последовательностей, порожденных скрытыми марковскими моделями / Т.А. Гультяева, Д.Ю. Коротенко // Сб. науч. тр. НГТУ. 2011. – № 3(65). – С. 45–55. [6] Загоруйко Н.Г. Когнитивный анализ данных / Н.Г. Загоруйко. – Новосибирск: Академическое изд-во «ГЕО», 2012. – 186 с. [7] Моттль В.В. Скрытые марковские модели в структурном анализе сигналов / В.В. Моттль, И.Б. Мучник. – М.: Физматлит, 1999. – 351 с. [8] Cappe O. Ten years of HMM [Электронный ресурс] / O. Cappe; CNRS, LTCI & ENST, Dpt. TSI. – Режим доступа: http://perso.telecom-paristech.fr/~cappe/docs/hmmbib.html. [9] Friedman H. Another approach to polychotomous classification. Technical report, Stanford Department of Statistics, 1996. [10] Platt J.C. Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines [Электронный ресурс]: Technical Report MSR-TR-98-14 / J.C. Platt; Microsoft Research. – Режим доступа: http://luthuli.cs.uiuc.edu/~daf/courses/Optimization/Papers/smoTR.pdf. [11] Rabiner L.R. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition / L.R. Rabiner // Proceedings of the IEEE. – 1989. – 77 (2). – С. 257–285.
