Artykuł w czasopiśmie
Brak miniatury
Licencja
ClosedAccessDostęp zamknięty
 

Generalized Baum-Welch and Viterbi Algorithms Based on the Direct Dependency among Observations

Uproszczony widok
dc.abstract.enThe parameters of a Hidden Markov Model (HMM) are transition and emission probabilities‎. ‎Both can be estimated using the Baum-Welch algorithm‎. ‎The process of discovering the sequence of hidden states‎, ‎given the sequence of observations‎, ‎is performed by the Viterbi algorithm‎. ‎In both Baum-Welch and Viterbi algorithms‎, ‎it is assumed that‎, ‎given the states‎, ‎the observations are independent from each other‎. ‎In this paper‎, ‎we first consider the direct dependency between consecutive observations in the HMM‎, ‎and then use conditional independence relations in the context of a Bayesian network which is a probabilistic graphical model for generalizing the Baum-Welch and Viterbi algorithms‎. ‎We compare the performance of the generalized algorithms with the commonly used ones in simulation studies for synthetic data‎. ‎We finally apply these algorithms on real data sets which are related to biological and inflation data‎. ‎We show that the generalized Baum-Welch and Viterbi algorithms significantly outperform the conventional ones when sample sizes become larger‎.
dc.abstract.plParametry Ukrytego Modelu Markowa (HMM) to prawdopodobieństwa przejścia i emisji. Oba można oszacować za pomocą algorytmu Bauma-Welcha. Proces odkrywania sekwencji stanów ukrytych, biorąc pod uwagę sekwencję obserwacji, realizowany jest za pomocą algorytmu Viterbiego. W algorytmach Bauma-Welcha i Viterbiego zakłada się, że z uwagi na stany obserwacje są od siebie niezależne. W tym artykule najpierw rozważamy bezpośrednią zależność pomiędzy kolejnymi obserwacjami w HMM, a następnie wykorzystujemy zależność warunkowej niezależności w kontekście sieci bayesowskiej, która jest probabilistycznym modelem graficznym do generalizacji algorytmów Bauma-Welcha i Viterbiego. Porównujemy na danych syntetycznych działanie uogólnionych jak powyżej algorytmów z powszechnie używanymi metodami klasycznymi. Następnie stosujemy algorytmy do analizy zestawów danych rzeczywistych, takimi jak dane biologiczne i ekonomiczne. Pokazujemy, że uogólnione algorytmy Baum-Welcha i Viterbiego znacznie przewyższają konwencjonalne metody, gdy większych rozmiarach próbek.
dc.affiliationUniwersytet Warszawski
dc.contributor.authorTabar, Vahid Rezaei
dc.contributor.authorFathipor, Hosna
dc.contributor.authorPlewczyński, Dariusz
dc.date.accessioned2024-01-25T02:04:56Z
dc.date.available2024-01-25T02:04:56Z
dc.date.issued2018
dc.description.financeNie dotyczy
dc.description.volume17
dc.identifier.doi10.29252/JIRSS.17.2.10
dc.identifier.issn1726-4057
dc.identifier.urihttps://repozytorium.uw.edu.pl//handle/item/107793
dc.identifier.weblinkhttp://jirss.irstat.ir/article-1-434-en.html
dc.languageeng
dc.pbn.affiliationbiological sciences
dc.relation.ispartofJournal of the Iranian Statistical Society
dc.relation.pages205-225
dc.rightsClosedAccess
dc.sciencecloudnosend
dc.titleGeneralized Baum-Welch and Viterbi Algorithms Based on the Direct Dependency among Observations
dc.typeJournalArticle
dspace.entity.typePublication