ビタビアルゴリズム
既知のチャンネル歪みとAWGN (Additive White Gaussian Noise 加法的白色ガウス雑音）を仮定したとき、最良の受信方法は最尤（ユウ）系列推定でした。 その原理は次のようです。 送信シンボル系列を有限長とする。 既知チャンネル歪を用いて、可能なすべてのシンボル系列の受信信号（レプリカ）を作る。 実際の受信信号とすべてのレプリカの自乗誤差を計算し、最小を与えたシンボル系列を判定する。 この手順は極めて単純ですが、シンボル系列が長くなると、演算量はあっという間に爆発してしまいます。 この演算量をシンボル長に比例するように工夫したのがビタビ (Viterbi) ・アルゴリズムです。 これは、Richard Bellman による ＤＰ： Dynamic Programming （動的計画法）をストレートに応用したものです。 というわけで、まず ＤＰ の例題を説明します。
時系列データ：隠れマルコフモデルの基礎と、リカレントネットの台等 - HELLO CYBERNETICS
はじめに 隠れマルコフモデル 確率分布として考える 隠れていないマルコフモデル 隠れマルコフモデル 隠れマルコフモデルの学習 隠れマルコフモデルでの予測 隠れマルコフモデルで何ができるか リカレントネット リカレントネットの構造 時間方向への展開 深層学習について 記事 はじめに 隠れマルコフモデルでは、時系列的に変動するデータを確率的なモデルで表現します。 通常の機械学習手法（例えばサポートベクターマシン）などでは、データは各時刻毎に独立したデータであると仮定しており、そのデータの順番に意味がないという前提を持っています。（厳密には更に強く仮定をし、各データ点はある一つの確率分布から生起しているとし、各データ点同士は独立であるとする。これを独立同分布に従うデータと言う。） 一方で隠れマルコフモデルでは、データの変動（隠れマルコフモデルでは遷移と呼ぶ）が確率的に起こっているとしてその部分を
あやしいサイコロと『隠れマルコフモデル』 | 株式会社フォワードネットワーク
こんにちは。 今回は、サイコロを使いながら 隠れマルコフモデル（Hidden Markov Model） をテーマにしたいと思います。 隠れマルコフモデルはＤＮＡ解析や、音声解析で利用されている基礎テクニックです。 画像認識と強化学習(DQN)を中心とした、ディープラーニングの書籍「実装 ディープラーニング」をオーム社から出版しました。詳しくはこちらをご覧下さい。 サイコロゲーム サイコロは、みなさん良くご存じのとおり、1～6 までの目があって、その目の出方（確率）は、どの目をみても「同様に確からしい」というものです。 今回は少し物語風です。 ＡさんとＢさんは、Ｃさんの家で 3 人でサイコロゲームを行いました。 ゲームはいたって簡単で、それぞれが見えないように数字を紙に書いて、 1 個のサイコロを振って、紙の数字とサイコロの目があっていれば勝ちというものです。 サイコロを振るのはＣさんで、
main.dvi
Baum-Welch Step by Step the Baum-Welch Algorithm and its Application Jin’ichi MURAKAMI EM EM EM Baum-Welch Baum-Welch Baum-Welch Baum-Welch , EM 1. EM EM (Expectation- maximization algorithm) 1 EM EM Baum- Welch 2 X.D.Huang Steve Young 3 4 Steve Young Baum-Welch 4 3 4 E-mail murakami@ike.tottori-u.ac.jp Jin’ichi Murakami, Member (Department of Information and Elec- tronics, Graduate School of Engi
概要と具体例で学ぶHMM(隠れマルコフモデル)
独立性基準を用いた非負値行列因子分解の効果的な初期値決定法（Statistical-independence-based efficient initia... 北村大地, 小野順貴, "独立性基準を用いた非負値行列因子分解の効果的な初期値決定法," 日本音響学会 2016年春季研究発表会, 3-3-5, pp. 619-622, Kanagawa, March 2016. Daichi Kitamura, Nobutaka Ono, "Statistical-independence-based effective initialization for nonnegative matrix factorization," Proceedings of 2016 Spring Meeting of Acoustical Society of Japan, 3-3-5, pp. 619-62
HMM: 隠れマルコフモデル - システム工学基礎
HMM:隠れマルコフモデル 電子情報工学科 伊庭 斉志 一次マルコフ連鎖 状態集合 S={1,2,…n} 遷移確率(k→ｌ) akl 隠れマルコフモデル（Hidden MM:HMM） 出力記号集合Σ 出力確率(状態から出力記号への写像) ek(b) : S → Σ マルコフモデルと 隠れマルコフモデル HMM≒有限オートマトン＋確率 定義 出力記号集合Σ 状態集合 S={1,2,…n} 遷移確率(k→ｌ) akl 出力確率 ek(b) 開始状態 終了状態 0.4 0.6 0.3 0.7 0.5 0.5 1 2 3 A: 0.2 B: 0.8 A: 0.7 B: 0.3 A: 0.1 B: 0.9 隠れマルコフモデル(HMM) Rain Dry 0.7 0.3 0.2 0.8 • ２つの状態: ‘Rain’ と ‘Dry’. • 推移確率:
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
