Differences

This shows you the differences between two versions of the page.

--- data_mining:hmm [2014/11/22 02:54] – phreazer
+++ data_mining:hmm [2014/12/17 01:47] (current) – [Beispiel] phreazer
@@ Line 14: / Line 14: @@
-Joint distribution (multidimensionale Wahrscheinlichkeitsverteilung):
+**Joint distribution (multidimensionale Wahrscheinlichkeitsverteilung):**
-$p(x_1,\dots,x_n,Z1,\dots,Z_n) = p(z_1)p(x_1|z_1) \pro_{k=2}^n p(z_k|z_{k-1})p(x_k|z_k)$
+$p(x_1,\dots,x_n,Z1,\dots,Z_n) = p(z_1)p(x_1|z_1) \prod_{k=2}^n p(z_k|z_{k-1})p(x_k|z_k)$
+Beispiel Handschrifterkennung:
+  * Hiddenzustände: Alphabetzeichen
+  * Beobachtete: Geschriebenes
+===== Parameter =====
+Transition probabilities (Übergangswahrscheinlichkeiten):
+$T(i,j) = P(Z_{k+1}=j|z_k=i)$ ($i,j \in \{i,\dots,m\}$)
+T ist die Transition Matrix (Übergangswkt.)
+Emission probabilities:
+$\varepsilon_i(x) = p(x|Z_k=i)$ für $i\in \{i,\dots,m\} x \in X$
+$\varepsilon_i$ ist eine Wahrscheinlichkeitsverteilung eine Dichte (pdf) auf $X$
+Wenn $X$ diskrete ZV: $\varepsilon_i(x) = P(X_k=x|Z_k=i)$
+pmf
+Initial distribution:
+$\pi(i) = P(Z_i=i), \in \{i,\dots,m\}$
+Joint Distribution:
+$p(x_1,\dots,x_n,z_1,\dots,z_n) = \pi(z_1) \varepsilon_{z_1}(x_1) \prod_{k=2}^n T(z_{k-1},z_k) \varepsilon_{z_k}(x_k)$
+===== Forward-Backward Algorithmus =====
+===== Beispiel =====
+Zustand ist Durschnittstemperatur: H oder C
+Beobachtbarer Zustand ist Dicke der Ringe: S, M, L
+Nun wird Abfolge S,M,S,L beobachtet. Daraus soll die wahrscheinlichste Zustandssequenz des Markovprozess ermittelt werden.