Pendahuluan

Hidden Markov Model (HMMs) digunakan untuk pemodelan statistik non-stasioner proses sinyal seperti sinyal suara, urutan gambar dan waktu bervariasi kebisingan. Sebuah proses Markov, yang dikembangkan oleh Andrei Markov, adalah proses yang negara atau nilai pada setiap waktu t tergantung pada keadaan sebelumnya atau nilai-nilai pada waktu t -1 dan tidak tergantung pada sejarah proses sebelum waktu t -1. HMM adalah proses berlapis ganda dengan lapisan Markov tersembunyi mengendalikan keadaan lapisan diamati. Sebuah model HMM variasi waktu (dan / atau variasi spasi) dari statistik dari proses acak dengan rantai Markov negara yang bergantung stasioner sub-proses. HMM dasarnya adalah proses negara yang terbatas Bayesian, dengan sebelumnya untuk pemodelan Markov transisi antara negara bagian, dan satu set fungsi kepadatan probabilitas negara untuk pemodelan variasi acak dari proses sinyal dalam negara masing-masing. Bab ini dimulai dengan pengenalan singkat ke model negara terus menerus dan hingga non-stasioner, sebelum berkonsentrasi pada teori dan aplikasi dari model Markov tersembunyi. Kita mempelajari struktur berbagai HMM, metode Baum-Welch untuk pelatihan maksimum kemungkinan parameter dari HMM, dan penggunaan HMMs dan Viterbi decoding algoritma untuk klasifikasi dan decoding dari urutan sinyal pengamatan tanpa label. Akhirnya, aplikasi HMMs untuk peningkatan sinyal bising dipertimbangkan.