Markov Models for Pattern Recognition: From Theory to Applications

این نسخه جدید به طور کامل اصلاح شده و توسعه یافته اکنون شامل یک درمان دقیق تر از الگوریتم EM، شرحی از یک روش کارآمد تقریبی آموزش Viterbi، یک مشتق نظری از اندازه گیری گیجی و پوشش رمزگشایی چند گذر بر اساس n-بهترین جستجو. با حمایت از بحث مبانی نظری مدل‌سازی مارکوف، تأکید ویژه‌ای بر راه‌حل‌های الگوریتمی عملی نیز شده است. ویژگی ها: چارچوب رسمی مدل های مارکوف را معرفی می کند. مدیریت قوی مقادیر احتمال را پوشش می دهد. روش هایی را برای پیکربندی مدل های پنهان مارکوف برای مناطق کاربردی خاص ارائه می دهد. روش‌های مهم برای پردازش کارآمد مدل‌های مارکوف و انطباق مدل‌ها با وظایف مختلف را شرح می‌دهد. الگوریتم‌هایی را برای جستجو در فضاهای حل پیچیده که از کاربرد مشترک زنجیره مارکوف و مدل‌های پنهان مارکوف حاصل می‌شود، بررسی می‌کند. کاربردهای کلیدی مدل های مارکوف را بررسی می کند.

This thoroughly revised and expanded new edition now includes a more detailed treatment of the EM algorithm, a description of an efficient approximate Viterbi-training procedure, a theoretical derivation of the perplexity measure and coverage of multi-pass decoding based on n-best search. Supporting the discussion of the theoretical foundations of Markov modeling, special emphasis is also placed on practical algorithmic solutions. Features: introduces the formal framework for Markov models; covers the robust handling of probability quantities; presents methods for the configuration of hidden Markov models for specific application areas; describes important methods for efficient processing of Markov models, and the adaptation of the models to different tasks; examines algorithms for searching within the complex solution spaces that result from the joint application of Markov chain and hidden Markov models; reviews key applications of Markov models.