| Γλώσσα : |
|
| Εγκυκλοπαίδεια της κοινότητας |Εγκυκλοπαίδεια Απαντήσεις |Υποβολή ερωτήματος |Λεξιλόγιο Γνώση |Ανεβάστε τη γνώση |
Markov μοντέλο |
 |
|
Μοντέλο Εισαγωγή Markov μοντέλα (Markov Model) είναι ένα στατιστικό μοντέλο, που χρησιμοποιείται ευρέως στην αναγνώριση ομιλίας, λόγου αυτόματο σχολιασμό, ήχου μετατροπή λέξη, η πιθανότητα της γραμματικής και άλλες εφαρμογές επεξεργασίας φυσικής γλώσσας. Μετά την μακροπρόθεσμη ανάπτυξη, ιδιαίτερα για την επιτυχή εφαρμογή της αναγνώρισης ομιλίας, καθιστώντας το ένα κοινών στατιστικών εργαλείων.Μέχρι στιγμής, έχει θεωρηθεί το πιο επιτυχημένο τρόπο για να επιτευχθεί γρήγορη και ακριβή συστήματα αναγνώρισης ομιλίας. Πολύπλοκα ζητήματα με την αναγνώριση ομιλίας Hidden Markov μοντέλο μπορεί να διατυπωθεί πολύ απλά να λύσει, αφήστε τους ανθρώπους 由衷地感叹 υπέροχη μαθηματικό μοντέλο. Markov (1856 - 1922), η Σοβιετική μαθηματικός. Chebyshev φοιτητές. Στη θεωρία των πιθανοτήτων, πτυχές της θεωρίας αριθμού, λειτουργία θεωρία προσέγγισης και διαφορικές εξισώσεις, όπως η άκρως επιτυχημένη. Ποιος είναι ποιος Markov είναι Petersburg εκπροσώπους μαθηματικό σχολείο. Για εργασία σε αριθμό θεωρία και τη θεωρία πιθανοτήτων γνωστές πτυχές. Σημαντικότερα έργα του περιλαμβάνουν "λογισμό πιθανοτήτων» και ούτω καθεξής. Στη θεωρία αριθμών, σπούδασε τη θεωρία των συνεχών κλασμάτων και τετραγωνική απαρέμφατο, να λύσει πολλά προβλήματα. Στη θεωρία των πιθανοτήτων, ανέπτυξε μια μέθοδο στιγμή, διευρύνοντας το πεδίο εφαρμογής του νόμου των μεγάλων αριθμών και το κεντρικό οριακό θεώρημα. Markov είναι το πιο σημαντικό έργο μεταξύ του 1906 και του 1912, πρότεινε και μελέτησε ένα μαθηματικές μέθοδοι ανάλυσης μπορούν να μελετήσουν τις φυσικές διεργασίες γενικά σχήματα - Markov αλυσίδας. Ενώ η δημιουργία ενός μετενέργεια των μη τυχαία διαδικασία - Markov διαδικασία. Markov παρατηρήθηκε μετά από επαναλαμβανόμενες δοκιμές διαπιστώθηκε ότι η κατάσταση ενός κρατικού συστήματος μεταβάσεις κατά τη διάρκεια της n-ου μετατροπή λαμβάνεται συχνά προτού ληφθεί απόφαση φορά (τα πρώτα n-1 φορές) τα αποτελέσματα των εξετάσεων του. Βάθος μελέτη Markov δηλώνει: Για ένα σύστημα που αποτελείται από ένα κράτος μεταβαίνουν σε άλλο κράτος κατά τη διαδικασία μετατροπής, υπάρχει μια πιθανότητα μετάβασης και η πιθανότητα αυτής της αλλαγής μπορεί να βασίζεται στο πρώην καθεστώς του αμέσως συναχθεί, και η αρχική κατάσταση του συστήματος και η διαδικασία Markov είναι ανεξάρτητη από το μέτωπο μεταφοράς. Markov θεωρία και τις μεθόδους της αλυσίδας έχουν χρησιμοποιηθεί ευρέως σε φυσικές επιστήμες, τη μηχανική και τις δημόσιες επιχειρήσεις κοινής ωφέλειας. Markov αλυσίδας [3] Yinandelie · Markov (Markov Andrey ,1856-1922) είναι το όνομά του, είναι μία διακριτή στοχαστική διαδικασία Markov χρόνο με μαθηματική φύση. Η διαδικασία αυτή, στην περίπτωση μιας δεδομένης της τρέχουσας γνώσεις ή πληροφορίες κατά το παρελθόν (δηλαδή, η τρέχουσα κατάσταση της προηγούμενης ιστορίας) για να προβλέψουμε το μέλλον (δηλαδή, η περίοδος μετά την επόμενη κατάσταση) δεν έχει σημασία. Markov χρόνο της διαδικασίας και διακριτά μέλη καλούνται αλυσίδα Markov, συμβολίζεται με Xn = x (n), n = 0,1,2 ... Markov αλυσίδα είναι μια τυχαία μεταβλητή Χ1, Χ2, Χ3 ... ένας αριθμός των στηλών. Το εύρος αυτών των μεταβλητών, δηλ. το σύνολο όλων των δυνατών τιμών των αυτούς, που ονομάζεται "κατάσταση χώρου», και η τιμή του Xn είναι η κατάσταση σε χρόνο Ν. Αν Xn 1 για την δεσμευμένη κατανομή πιθανότητας πάνω σε καταστάσεις Xn είναι συνάρτηση μόνο της P (Xn 1 = x | X0, X1, X2, ..., Xn) = P (Xn 1 = x | Xn) Όπου x είναι μια κατάσταση κατά την διαδικασία. Η παραπάνω εξίσωση μπορεί να θεωρηθεί ως σταθερή ιδιότητα Markov. Markov το 1906 έκανε την πρώτη τέτοια διαδικασία. Και αυτό μπορεί να γενικευθεί σε απεριόριστο αριθμό των κρατικών χώρου δίνεται από Kolmogorov το 1936. Εφαρμογή Κυρίως χρησιμοποιημένος στην αναγνώριση ομιλίας, ήχου και μετατροπή λέξη, POS tagging. Φυσικής γλώσσας είναι ένα ανθρώπινο ανταλλαγή εργαλείων πληροφόρησης. Πολλά προβλήματα επεξεργασία φυσικής γλώσσας μπορεί να είναι ισοδύναμο με το πρόβλημα της επικοινωνίας των συστημάτων αποκωδικοποίησης - ένα πρόσωπο με βάση τις πληροφορίες που λαμβάνει, για να μαντέψει τον καλούντα προσπαθώ να πω. Στην πραγματικότητα, αυτό είναι όπως η επικοινωνία, οι άνθρωποι, ανάλογα με το σήμα που λαμβάνεται από τον δέκτη για να αναλύσουν, να κατανοήσουν, να αποκατασταθεί ο πελάτης στέλνει πληροφορίες που αποστέλλονται μέσω. Για παράδειγμα, ένα τυπικό σύστημα επικοινωνίας: όπου s1, s2, s3 ... δηλώνει το σήμα που εκπέμπεται από την πηγή των πληροφοριών. o1, O2, O3 ... είναι ο δέκτης το λαμβανόμενο σήμα. Ανακοίνωση βασίζεται στα λαμβανόμενα αποκωδικοποιημένα σήματα Ο1, Ο2, Ο3 ... αποκατάσταση των μεταδιδόμενων σημάτων s1, s2, s3 .... Στην πραγματικότητα, οι άνθρωποι συνήθως όταν μιλούν, ο εγκέφαλος είναι μια πηγή πληροφοριών. Οι άνθρωποι του λαιμού (φωνητικά), τον αέρα, όπως τα καλώδια και τα καλώδια είναι σαν ένα κανάλι. Τα αυτιά του ακροατή είναι το τέλος λήψης, και να ακούσετε τον ήχο που μεταδίδεται από το σήμα. Σύμφωνα με το σήμα ακουστικής ομιλητή να εικάζουν ότι από την αναγνώριση ομιλίας. Έτσι για να πω, εάν η λήπτρια τέλος είναι ένας υπολογιστής και όχι ένα άτομο, τότε ο υπολογιστής να κάνει είναι αυτόματη αναγνώριση ομιλίας. Ομοίως, στον υπολογιστή, αν θέλουμε, σύμφωνα με πληροφορίες που ελήφθησαν στα αγγλικά, γεγονός που υποδηλώνει ότι η κινεζική έννοια του ομιλητή είναι αυτόματη μετάφραση? Αν θέλουμε να προβούμε σε εικασίες θέλουν να εκφράσουν τον ομιλητή, σύμφωνα με τη δήλωση με τα σωστά ορθογραφικά λάθη σημαίνει ότι αυτόματα τη σωστή λάθος. Πώς, λοιπόν, σύμφωνα με τη λαμβανόμενη να υποθέσουμε ότι ο ομιλητής θα ήθελα να εκφράσω το νόημα του; Οι άνθρωποι μπορούν να χρησιμοποιήσουν ονομάζεται "κρυφό μοντέλα Markov» (HiddenMarkovModel) για να λύσει αυτά τα προβλήματα. Σε αναγνώριση ομιλίας, για παράδειγμα, όταν παρατηρήσαμε o1 σήματος ομιλίας, O2, O3, τις ποινές να συναχθεί μεταδίδεται s1, s2, s3 από το σήμα σετ. Προφανώς, θα πρέπει να βρει την πιο πιθανή από όλες τις πιθανές ποινές. Μαθηματική γλώσσα για να περιγράψει είναι υπό γνωστό o1, O2, O3, ... περίπτωση, να βρείτε την πιθανότητα των εν λόγω όρων P (s1, s2, s3, ... | o1, O2, O3 ....) φθάνει τη μέγιστη τιμή που η s1 πρόταση, s2, s3, ... Φυσικά, η πιθανότητα του παραπάνω δεν είναι εύκολο να ληφθούν απευθείας, έτσι ώστε οι άνθρωποι μπορούν να υπολογίζουν έμμεσα. Bayesian φόρμουλα και διανέμει ένα σταθερό όρο, η παραπάνω εξίσωση μπορεί να μετατραπεί σε ισοδύναμο P (o1, O2, O3, ... | s1, s2, s3 ....) * P (s1, s2, s3, ...) Μεταξύ των P (o1, O2, O3, ... | s1, s2, s3 ....) δείχνει ότι μια δήλωση s1, s2, s3 ... διαβάζονται ως o1, O2, O3, ... δυνατότητα και P (s1, s2, s3, ...) αποτελεί ένα string s1, s2, s3, ... μπορεί η ίδια να είναι μια εύλογη πιθανότητα μιας πρότασης, η έννοια του τύπου αυτού είναι το σήμα μετάδοσης s1, s2, s3 ... πολλαπλασιάζεται με τον αριθμό των στηλών της δυνατότητας αυτής s1, το ενδεχόμενο μιας πρότασης μπορεί να είναι s2, s3 ... μόνη της, αποδίδει την πιθανότητα. (Αναγνώστες διαβάστε εδώ να σας ρωτήσω τώρα δεν είναι το πρόβλημα γίνεται όλο και πιο περίπλοκη, επειδή ο τύπος εγγραφής περισσότερο καιρό Μην ανησυχείτε, έχουμε απλοποιήσει το πρόβλημα.) Οι άνθρωποι κάνουν εδώ δύο παραδοχές: Πρώτον, s1, s2, s3, ... είναι μια αλυσίδα Markov, δηλαδή, si si-1 προσδιορίζεται με μόνο (βλ. Σειρά 1)? Δεύτερον, i oi χρόνο του λαμβανόμενου σήματος s καθορίζεται αποκλειστικά από το si σήμα μετάδοσης (ονομάζεται επίσης ανεξάρτητη έξοδο στην υπόθεση ότι η P (o1, O2, O3, ... | s1, s2, s3 ....) = P ( o1 | s1) * P (o2 | s2) * P (Ο3 | s3) .... Στη συνέχεια, οι άνθρωποι μπορούν εύκολα να βρουν τη μέγιστη χρήση του παραπάνω τύπου Viterbi αλγόριθμο, και στη συνέχεια να βρει την πρόταση να αναγνωριστεί s1, s2, s3, .... Μοντέλο πληροί τις δύο αυτές υποθέσεις ονομάζεται Hidden Markov Models. Χρησιμοποιούμε το "κρυφό" λέξη, επειδή η κατάσταση s1, s2, s3, ... δεν μπορεί να παρατηρηθεί άμεσα. Hidden Markov Models στιγμής εφαρμόζεται μόνο στην αναγνώριση ομιλίας. Στον παραπάνω τύπο, αν βάλουμε s1, s2, s3, ... η κινεζική, η o1, O2, O3, ... όπως και η αντίστοιχη αγγλική, τότε οι άνθρωποι θα είναι σε θέση να χρησιμοποιήσει αυτό το μοντέλο για να λύσει το πρόβλημα της αυτόματης μετάφρασης? Αν Η o1, O2, O3, ... ως χαρακτηριστική εικόνα για να σαρώσετε κείμενο για να πάρει, μπορούμε να χρησιμοποιήσουμε αυτό το μοντέλο για να λύσει εκτύπωσης και αναγνώριση γραφικού χαρακτήρα. P (o1, O2, O3, ... | s1, s2, s3 ....), αλλά ανάλογα με τα διαφορετικά ονόματα εφαρμογή στην αναγνώριση ομιλίας που ονομάζεται "ένα ακουστικό μοντέλο" (AcousticModel), το μηχάνημα Η μετάφραση είναι «πρότυπο μετάφρασης» (TranslationModel) και σε διόρθωση ορθογραφία είναι «μοντέλο διόρθωσης σφάλματος" (CorrectionModel). Το P (S1, S2, S3, ...) είναι το μοντέλο γλώσσα αναφέραμε σε μια σειράς. |
| Χρήστης Ανασκόπηση |
|
Δεν υπάρχουν ακόμη σχόλια |
