2. Įvadas
• Gamtoje vykstantys realūs procesai yra charakterizuojami kaip
signalai.
• Paslėptieji Markovo Modeliai (PMM) yra dažnai taikomi
stochastiniam signalų modeliavimui, kai charakterizuojamos
tik statistinės signalų savybės.
• Šiame darbe realizuotas rekurentinis EM algoritmas PMM
parametrų įvertinimui.
• Pasinaudojant sukurtu algoritmu gali būti nagrinėjamas
signalų klasifikavimas, klasterizavimas, atpažinimas realiu
laiku. 2
3. PaslėptiejiMarkovomodeliai
3
B={bj(o)} Stebėjimo tikimybės tankio funkcija būsenoje j
A={ai,j}
ai,j =P[xt+1=Xj|xt=Xi]
Perėjimo iš vienos būsenos į kitą tikimybių
matrica
Tikimybė iš būsenos i pereiti į būseną j
Xt (Paslėpta) būsena laiko momentu t
πi = P(X1=i)
Pradinio buvimo būsenoje tikimybės (pirmoji
paslėptojo Markovo modelio būsena πi = 1)
4. PMMmatematiniomodelioparametrai
• Būsenų skaičius N
• būsenų perėjimų tikimybių matrica
• pradinio buvimo būsenoje tikimybių vektorius
• stebėjimo tikimybės tankio funkcija
• stebėjimus aprašantys atsitiktiniai dydžiai, pasiskirstę pagal duotus
vidurkius μs ir kovariacijų matricas σs,1≤S≤N
4
S M 1 2
S
M
M MM
11 1
1
5. EM algoritmas
• E-žingsnis: logaritminės tikėtinumo funkcijos sąlyginio vidurkio
apskaičiavimas
• M-žingsnis: tikėtinumo funkcijos sąlyginio vidurkio
maksimizavimas
• Pasinaudojus didžiausio tikėtinumo metodu išvestos formulės
parametrų įvertinimui
j
j
T
j
T
j O
j
( )
( )
1
1
5
6. RekurentinisEM algoritmas
• Klasikinis EM algoritmas reikalauja kiekvienoje iteracijoje
apdoroti visą turimą stebėjimų imtį, todėl apdorojant visą imtį
kiekvienoje iteracijoje algoritmo sudėtingumas tampa
kvadratinis, t.y. O(T2).
• Stebint procesą reikalingų vertinimui operacijų skaičius labai augs
ir vertinimas realiu laiku taps nebeįmanomas.
• Rekurentinio EM algoritmo atveju - PMM modelio parametrai
yra atnaujinami su kiekvienu gautu nauju stebėjimu,
neįsimenant ankstesnės mokymo aibės.
• Algoritmo sudėtingumas yra O(T).
6
7. RekurentinisEM algoritmas
• Rekurentinės formulės vidurkių vektoriaus ir kovariacijų
matricos įvertinimui:
• Būsenų perėjimo tikimybių skaičiavimo formulė:
t
i
t
i t t
i
t
i
O
t
1
1
t
i t
i
t
i t
i
t t
i
t t
i T
t
it
t
O O
t
1
1
1 11
t
i
t
i
l o
t
t
i
t
e t t
i
t
i
i
1 1
1 ( , , , )
t
i
l o
ti
t
t
e t
i i
1
1
1
1
1 1 1( , , , )
t
i
l o
t t
e t t
i
t
i
i
( , , , )
t
l o
i
N
e t t
i
t
i
i
( , , , )
1
7
13. Išvados
• Darbe sudarytas paslėptųjų Markovo modelių parametrų
vertinimo algoritmas.
• Iš atlikto kompiuterinio eksperimento matyti, kad modelio
parametrų vertinimas realizuotu rekurentiniu EM algoritmu
vykdomas kelis kartus greičiau nei klasikinis EM algoritmas.
• Sudarytas rekurentinis algoritmas gali būti taikomas stebėjimų
klasterizavimui ir atpažinimui realiu laiku.
13