مشخصات کتاب

Hidden Markov Models: Theory and Implementation Using MATLAB®

ویرایش:  
نویسندگان: João Paulo Coelho,  Tatiana M. Pinho,  José Boaventura-Cunha  
سری:  
ISBN (شابک) : 0367203499, 9780367203498 
ناشر: CRC Press 
سال نشر: 2019 
تعداد صفحات: 283 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

در صورت تبدیل فایل کتاب Hidden Markov Models: Theory and Implementation Using MATLAB® به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مدل‌های پنهان مارکوف: تئوری و پیاده‌سازی با استفاده از MATLAB نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب مدل‌های پنهان مارکوف: تئوری و پیاده‌سازی با استفاده از MATLAB

این کتاب به صورت یکپارچه، هم تحلیل و هم ترکیب سه نوع مختلف از مدل‌های پنهان مارکوف را ارائه می‌کند. برخلاف سایر کتاب‌ها در این زمینه، کلی است و روی موضوع خاصی تمرکز نمی‌کند، به عنوان مثال. پردازش گفتار علاوه بر این، ترجمه مفاهیم مدل‌های پنهان مارکوف را از حوزه ریاضیات رسمی به کدهای کامپیوتری با استفاده از MATLAB(R) ارائه می‌کند. ویژگی منحصر به فرد این کتاب این است که مفاهیم نظری ابتدا با استفاده از یک رویکرد مبتنی بر شهود و به دنبال آن شرح الگوریتم‌های اساسی در پشت مدل‌های پنهان مارکوف با استفاده از MATLAB(R) ارائه می‌شوند. این رویکرد، با استفاده از تجزیه و تحلیل و سپس ترکیب، برای کسانی مناسب است که می‌خواهند موضوع را با استفاده از رویکرد تجربی‌تر مطالعه کنند.

نکات فروش کلیدی:

طیف وسیعی از مفاهیم مربوط به مدل‌های مارکوف پنهان (HMM)، از مسائل ساده تا تئوری پیشرفته را ارائه می‌کند. تجزیه و تحلیل زنجیره‌های مارکوف پیوسته و گسسته را پوشش می‌دهد. ترجمه مفاهیم HMM از قلمرو ریاضیات رسمی به کد رایانه مثال های زیادی را برای تکمیل نمادهای ریاضی در هنگام توضیح مفاهیم جدید ارائه می دهد

توضیحاتی درمورد کتاب به خارجی

This book presents, in an integrated form, both the analysis and synthesis of three different types of hidden Markov models. Unlike other books on the subject, it is generic and does not focus on a specific theme, e.g. speech processing. Moreover, it presents the translation of hidden Markov models' concepts from the domain of formal mathematics into computer codes using MATLAB(R). The unique feature of this book is that the theoretical concepts are first presented using an intuition-based approach followed by the description of the fundamental algorithms behind hidden Markov models using MATLAB(R). This approach, by means of analysis followed by synthesis, is suitable for those who want to study the subject using a more empirical approach.

Key Selling Points:

Presents a broad range of concepts related to Hidden Markov Models (HMM), from simple problems to advanced theory Covers the analysis of both continuous and discrete Markov chains Discusses the translation of HMM concepts from the realm of formal mathematics into computer code Offers many examples to supplement mathematical notation when explaining new concepts

فهرست مطالب

Cover
Title Page
Copyright Page
Preface
Table of Contents
Glossary
1: Introduction
	1.1 System Models
	1.2 Markov Chains
	1.3 Book Outline
2: Probability Theory and Stochastic Processes
	2.1 Introduction
	2.2 Introduction to Probability Theory
		2.2.1 Events and Random Variables
			2.2.1.1 Types of variables
		2.2.2 Probability Definition
		2.2.3 Axioms and Properties
	2.3 Probability Density Function
	2.4 Statistical Moments
	2.5 Summary
3: Discrete Hidden Markov Models
	3.1 Introduction
	3.2 Hidden Markov Model Dynamics
		3.2.1 The Forward Algorithm
		3.2.2 The Backward Algorithm
		3.2.3 The Viterbi Algorithm
	3.3 Probability Transitions Estimation
		3.3.1 Maximum Likelihood Definition
		3.3.2 The Baum-Welch Training Algorithm
			3.3.2.1 Operation conditions for the Baum-Welch algorithm
			3.3.2.2 Parameter estimation using multiple trials
			3.3.2.3 Baum-Welch algorithm numerical stability
	3.4 Viterbi Training Algorithm
	3.5 Gradient-based Algorithms
	3.5.1 Partial Derivative of Lk
		3.5.1.1 Partial derivative of Lk in order to aij
		3.5.1.2 Partial derivative of Lk in order to bij
	3.5.2 Partial Derivative of LK in order to c
	3.5.3 Performance Analysis of the Re-estimation Formulas
	3.5.4 Parameters Coercion by Re-parameterization
	3.5.5 Rosen’s Algorithm
		3.5.5.1 Linear equality constraints
		3.5.5.2 Lagrange multipliers and Karush-Kuhn-Tucker conditions
		3.5.5.3 Linear inequality constraints
		3.5.5.4 Putting it all together
		3.5.5.5 Rosen’s method applied to hidden Markov Models
	3.6 Architectures for Markov Models
	3.7 Summary
4: Continuous Hidden Markov Models
	4.1 Introduction
	4.2 Probability Density Functions and Gaussian Mixtures
		4.2.1 Gaussian Functions in System Modeling
		4.2.2 Gaussian Function and Gaussian Mixture
	4.3 Continuous Hidden Markov Model Dynamics
		4.3.1 Forward, Backward and Viterbi Algorithms Revisited
	4.4 Continuous Observations Baum-Welch Training Algorithm
	4.5 Summary
5: Autoregressive Markov Models
	5.1 Introduction
	5.2 ARMM Structure
	5.3 Likelihood and Probability Density for AR Models
		5.3.1 AR Model Probability Density Function
		5.3.2 Autoregressive Model Likelihood
	5.4 Likelihood of an ARMM
	5.5 ARMM Parameters Estimations
		5.5.1 Parameters Estimation
	5.6 Time Series Prediction with ARMM
		5.6.1 One Step Ahead Time Series Prediction
		5.6.2 Multiple Steps Ahead Time Series Prediction
	5.7 Summary
6: Selected Applications
	6.1 Cardiotocography Classification
	6.2 Solar Radiation Prediction
	6.3 Summary
References
Index
Color Figures Section

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Seeing New York: History Walks for Armchair and Footloose Travelers

دانلود کتاب Çand û sinc. Navîn 2

دانلود کتاب Communication Networks - 2nd edition Homework Solutions

دانلود کتاب Избранные главы теории аналитических функций

دانلود کتاب Научные результаты Аральской экспедицiи