JP5709179B2 - 隠れマルコフモデルの推定方法,推定装置および推定プログラム - Google Patents
隠れマルコフモデルの推定方法,推定装置および推定プログラム Download PDFInfo
- Publication number
- JP5709179B2 JP5709179B2 JP2012524465A JP2012524465A JP5709179B2 JP 5709179 B2 JP5709179 B2 JP 5709179B2 JP 2012524465 A JP2012524465 A JP 2012524465A JP 2012524465 A JP2012524465 A JP 2012524465A JP 5709179 B2 JP5709179 B2 JP 5709179B2
- Authority
- JP
- Japan
- Prior art keywords
- probability
- subscript
- state
- value
- branch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
- G10L15/144—Training of HMMs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Complex Calculations (AREA)
- Image Analysis (AREA)
Description
14,114 推定手段
22,122 初期設定手段
24,124 更新設定手段
26,126 演算手段
28,128 判定手段
もし、閉じた部分で正確な最大化が得られなければ、数26に示す最大化が改善した計算に置き換わる。
状態がiからjに遷移する確率のことであり、次式のように定義される。
状態sjにおいて出力ykが発生する確率のことであり、次式のように定義される。
最初の状態がiである確率のことであり、次式のように定義される。
(a)数28で示す観測データが、前述した不完全データYとして与えられる。
(b)次の式に示す状態遷移は、消失データZである。
・non-causalな更新
正確なバージョンは、条件付き微分によって得られる。このバージョンで得られる更新がnon-causalであることは、既に述べている。この形態は次のバージョンのcausalな形態を得るための原点となるものである。
初期状態確率πi|θt+1(πは太字、t+1はθの添え字)の更新は、次の修正されたQ-関数における微分の最大化によって得られる。
状態遷移確率aij|θt+1(t+1はθの添え字)の更新は、同様に微分によって得られる。
出力確率bjk|θt+1(t+1はθの添え字)の更新は、再度の微分によって得られる。
前述したように、第1のバージョンに示す一連の更新式(数47,数50,数53)は、自己撞着性を解決するために近似を必要とする。
alpha-EMアルゴリズムの収束は、適切な収束判定基準によって、次の式のようになることを意味する。
前記時間のシフトは、尤度比の期待値のための確率環境が反転されることを意味する。したがって、元のパラメータαはαcausalに変換される。αとαcausalの関係は、以下の誘導によって得られる。ここで、数47,数50,数53における尤度比の期待値の核となる部分を考慮すると、数47の場合は以下の関係が成り立つ。
前記全ての更新式(数47,数50,数53)は、尤度比の計算に能力を必要とする。これは計算に時間がかかるものであり、Tが増加するに従って扱いにくくなる。テーラー展開は、alpha-logアルゴリズムにおける尤度比の長所を失うことなく、計算を簡単化することができるもので、尤度比は次式のように近似化される。
・Πθt+1(Πは太字、t+1はθの添え字)の推定
高次の項o(1)を放棄することによって数55と数62の近似式を結合し、数47に適用すると以下の更新式が与えられる。
数55と数62の近似式を適用すると、数50は以下の更新式を与える。
数55と数62の近似式を適用すると、数53は以下の更新式を与える。
上記の数63,数64,数65は、ソフトウェアとして実行可能である。これらの更新式は、以下に示す共通の特性を有する。
(1)β=1すなわちα=−1の場合は、log-EMアルゴリズムから得られた従来のHMMアルゴリズムと一致する。
(2)数60と数61との間の関係により、αが行なうのと同様に、パラメータβは更新用の現在と過去の情報の各要素を調整する。
(3)βに依存する、すなわちαに依存するすべての過去の更新値は、格納データを参照することによってのみ得ることができる。
(4)現在の項は、log-HMMアルゴリズムに対する前方−後方アルゴリズムを用いることで効率的に計算できる。
観測データの集合が強い凸性でなければ(そして強い凹面でもなければ)、全ての最適化アルゴリズムは局所的に最適となる。存在するデータの殆ど全ては、そのような性質を持っている。従来のあるいはlog-HMMアルゴリズムは例外的ではないし、alpha-HMMアルゴリズムも例外的ではない。したがって、そうしたHMMアルゴリズムを適用する前に、発生のメカニズムが分かっている人工的なデータ集合を生成することが必要になってくる。
(a)各データ集合の殆どが、局所的最適を与える対象である。
(b)たとえ局所的最適が避けられたとしても、正確な推定には無限の長さの数列が必要である。
(c)コンピュータが生成した乱数は単なる擬似的な乱数にすぎない。
(1)数33に示すパラメータ集合の数値が、数80からずれないこと
(2)alpha-HMMアルゴリズムの収束したパラメータ集合がlog-HMMのそれと近いこと
ステップS2における初期値は、次のように設定する。これにより、初期状態を除いて事前の情報は必要としないものとする。
(a)分布された初期確率は、不安定な局所最適性を得やすい。これは、alpha-HMMアルゴリズムの各収束速度を比較するのに不要な曖昧さをもたらす。
(b)HMM推定の後の認識問題において、一つの初期状態はビタビ(Viterbi)アルゴリズムによって選択される。
(1)β=αcausalが増加するにつれて対数尤度の立ち上がりが早くなる。すなわち、収束するまでの繰り返し回数が少なくなる。
(2)alpha-EMアルゴリズムの限界(α=1)は、alpha-HMMアルゴリズムではβ=αcausal=3に相当するが、この場合、発散してしまう。
(a)収束する各対数尤度は非常に接近しているものの、何れも局所最大値が存在する。
(b)対数のまたは従来のHMMアルゴリズムは、常に最良の対数尤度をもたらす訳ではない。log-HMMアルゴリズムよりも良好な局所最大値が、alpha-HMMアルゴリズムで得られた。
(c)改良したalpha-HMMアルゴリズムによって、繰り返し回数とCPU時間の高速化が成し遂げられたのは明らかである。
(c)繰り返し回数の改善が、直接CPU時間に影響している。これは前記数63,数64および数65に示すように、予め計算されてメモリに格納される過去の情報を利用しているからであり、従来のlog-HMMアルゴリズムに比べて、ソフトウェアの複雑さを増やしてはいない。
(d)一方、αcausal=β=3すなわちα=1の場合は、発散する。これは、alpha-EMアルゴリズムの許容範囲と一致する。したがって、数62による近似は許容される。αcausal=β=1すなわちα=−1の場合において、数63,数64および数65はlog-HMMアルゴリズムの正確な形態であることが重要である。この意味において、数63,数64および数65の更新式はlog-HMMアルゴリズムの拡張版ということができる。
ここで、本実施例の具体的な内容に入る前に、離散的な場合について上記実施例と同様な説明を重複して行なう。
不完全なデータ、消失データ、完全なデータによるHMMの解釈は、EMアルゴリズムに匹敵する。本紙の目的は、新たなHMM推定アルゴリズムを見つけることであるため、alpha-EMアルゴリズムから始まる道筋を示している。
初期化: 数106の初期値を選択し、φとして用いる。
E-Step: 数115の計算を実行する。
M-step: 更新パラメータを次式で算出する。
これは、上記M-stepを次式のようにQ関数を非負とするψ+の算出に置き換えたアルゴリズムである。
Non-Causalな更新方程式
離散型のアルファベット系列y(yは太字)の場合において、最大化されるQ関数は次式で示される。なお、lはアルゴリズムの繰返しの指標(インデックス)である。一方、上記文章中に出てくるtはデータの順番に対応する指標(インデックス)である。したがって、lとtは区別されるものである。
(a)Non-causalityの存在: 右辺にθl+1(θは太字)が含まれている。このままでは、自己撞着性のため計算できない。
(b)右辺の算出には、状態数がNでデータ数がTのとき、O(NT)すなわちNのT乗のオーダーの演算が必要である。
更新方程式である数122〜数124のコアとなる部分は、繰返し指標(インデックス)のシフトによるCausal近似によって、次式のように変換することができる。
[特性1]
β=αcausal=1の場合は、従来のlog-HMMの方法に帰趨する。
[特性2]
数128の分子は、現在と過去の更新項の重み付けられた総和である。分母も同様である。
[特性3]
数128の第2行及び第3行は、これらの確率計算に伴う複雑度を抑えた従来の前方-後方アルゴリズムの方法に匹敵する。
[特性4]
alpha-HMMに唯一、追加する必要があるものは、θl-1での更新項を記憶することである。これは、CPU時間に直接現れているように繰返しを減らすことを意味する。実際の実験結果でも、この予想通りになっている。
以下、近似式の変形例について説明する。なお、以下の変形例は本発明の他の実施例でも同様に適用可能なものである。上述した隠れマルコフモデルの推定法では、有限個の過去情報を用いて各確率量をすべて次のような計算に基づいて計算している。
もし、HMMの予め設計されたトポロジーは、エルゴードなものであれば、単一の長いトレーニング系列y(yは太字)は、十分である。もし、選択されたトポロジーが、吸収状態を有しているならば、複数のトレーニング系列を使うことが望まれる。このような複数系列に対するalpha-HMM推定の更新式は、上記の単一系列に対する方法を利用する形で得ることができる。
ここから、連続的な出力系列の場合の本実施例の具体的な説明を行なう。
[単一系列の連続型alpha-HMMの初期状態確率]
更新式は、数130である。
[単一系列の連続型alpha-HMMの状態遷移確率]
更新式は、数128である。
[単一系列の連続型alpha-HMMの分岐確率]
更新式は、数154である。
[単一系列の連続型alpha-HMMの平均値ベクトル]
更新式は、数156である。
[単一系列の連続型alpha-HMMの共分散行列]
更新式は、数158であり、その要素は、数159、数160である。
初期状態確率πi|θl+1(l+1はθの添え字)の値と、状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値と、状態jで状態kが出力される出力確率bjk(yt)において、分岐kに移行する枝へ遷移する確率を特定する分岐確率cjk|l+1(l+1はθの添え字)の値と、平均値ベクトルμjk|θl+1(l+1はθの添え字)の値と,共分散行列Σjk|θl+1(l+1はθの添え字)の値と,ステップS34で求めたl回目の確率P(y|θl)と、それよりも1回前の確率P(y|θl-1)を利用し、且つステップS35で求めたl回目のカウント値Naij|θl,Ncjk|θl(ijはaの添え字、jkはcの添え字、lはθの添え字)と、それよりも1回前のカウント値Naij|θl-1,Ncjk|θl-1(ijはaの添え字、jkはcの添え字、l-1はθの添え字)を利用して計算する部分であり、これは前記数128、数130、数154、数156、数158〜数160の各更新式にそれぞれ対応している。
また、本実施形態は連続系列の観測データにも適用できるため、コンピュータによる音声認識やロボットの動作認識だけでなく、音声の合成やロボットの動作生成等にも応用できる。
(a)ガウス混合HMMにおいて、各ガウス(Gaussian)pdfは、到着する状態jに依存する。すべてのN×Kのガウス密度の学習には、多様な長いトレーニング系列を必要とする。
(b)離散型の場合のbjkの役割を連続モードのcjkに割り当てる。また、平均値ベクトルと共分散行列は遷移状態jに依存しないという場合を考慮する。そして、図6の離散型の場合をまっすぐ延長した構造となる。これを半連続HMMと呼んでいる。この構造のもう一つの解釈は、MLE-VQ HMM (Maximum Likelihood Vector Quantization HMM)である。
[単一配列の半連続のalpha-HMMの初期状態確率]
更新式は、数130である。
[単一配列の半連続のalpha-HMMの状態遷移確率]
更新式は、数128である。
[単一配列の半連続のalpha-HMMの分岐確率]
更新式は、数154である。
[単一配列の半連続のalpha-HMMの平均値ベクトル]
次式のように、数156において、μjk|θl+1(l+1はθの下付きの添え字)をμj|θl+1(l+1はθの下付きの添え字)とし、右辺のkt=kの項を除去したものである。これは、状態jに依存しないためである(以後、同様である)。
次式のように、数158〜数160において、Σjk|θl+1(l+1はθの添え字),μjk|θl(lはθの添え字),μjk|θl-1(l-1はθの添え字)を、それぞれΣj|θl+1(l+1はθの添え字),μj|θl(lはθの添え字),μj|θl-1(l-1はθの添え字)とし、右辺のkt=kの項を除去したものである。
また、本実施形態は連続系列の観測データにも適用できるため、コンピュータによる音声認識やロボットの動作認識だけでなく、音声の合成やロボットの動作生成等にも応用できる。
前記数167〜数173の式で計算する構成となっている。
また、本実施形態は連続系列の観測データにも適用できるため、コンピュータによる音声認識やロボットの動作認識だけでなく、音声の合成やロボットの動作生成等にも応用できる。
・離散連続混在系列の単数配列の場合
[単一配列の離散連続混在系列のalpha-HMMの初期状態確率]
初期状態確率は数130と同じである。
[単一配列の離散連続混在系列のalpha-HMMの状態遷移確率]
状態遷移確率は数128と同じである。
[単一配列の離散連続混在系列のalpha-HMMの分岐確率]
分岐確率はグループ化情報を併せもち、数154に代わって次式となる。以後、これを単にグループ化確率とよぶ。
各グループに対する平均値ベクトルは数156に代わって次式となる。
各グループに対する共分散行列は、数158〜数160に代わって、次式となる。
[複数配列の離散連続混在系列のalpha-HMMの初期状態確率]
初期状態確率は数142と同じである。
[複数配列の離散連続混在系列のalpha-HMMの状態遷移確率]
状態遷移確率は数143〜数145と同じである。
[複数配列の離散連続混在系列のalpha-HMMの分岐確率]
分岐確率すなわちグループ化確率は、数167〜数169の変形として次式のようになる。
平均値ベクトルは、数170、数171の変形として次式となる。
共分散行列は、数172、数173の変形として次式となる。
また、本実施形態は連続系列の観測データにも適用できるため、コンピュータによる音声認識やロボットの動作認識だけでなく、音声の合成やロボットの動作生成等にも応用できる。
Claims (23)
- 観測データを時系列に格納する記憶手段と、
前記観測データがどのような確率モデルであるのかを、隠れマルコフモデルの未知パラメータを算出することで推定する推定手段とを備えた隠れマルコフモデルの推定装置において、
前記推定手段は、前記隠れマルコフモデルの高速化パラメータを設定する初期設定手段と、
前記隠れマルコフモデルの未知パラメータとして、状態遷移する状態遷移確率a,出力が発生する出力確率b,初期状態の初期状態確率πおよび尤度の各確率量と、
状態遷移および出力の各期待値を更新設定する更新設定手段と、
前記更新設定手段で更新設定した直前の各確率量および各期待値のみならず、それより前の時間シフトした各確率量および各期待値を用いると共に、
前記記憶手段から読み出した観測データと、前記初期設定手段で設定した高速化パラメータとを用い、微小近似を適用して新たな各確率量および各期待値を計算する演算手段と、
前記演算手段による計算の収束を判定し、
計算が収束していなければ、前記演算手段で計算した新たな各確率量および各期待値を前記更新設定手段で設定更新させ、
計算が収束していれば、前記演算手段で計算した新たな各確率量を最終的な値として出力させる判定手段とを備えた隠れマルコフモデルの推定装置。 - t回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、前記出力確率bの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとしたときに、
前記演算手段は、前記新たな各確率量として、
t+1回目の状態iとなる初期状態確率πi|θt+1(t+1はθの添え字)の値を、次の式で計算し、
t+1回目の状態iから状態jに移る状態遷移確率aij|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記状態遷移の期待値Naij|θtおよびNaij|θt-1(ijはaの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算し、
状態jで状態kが出力される出力確率bjk|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記出力の期待値Nbjk|θtおよびNbjk|θt-1(jkはbの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算する
ことを特徴とする請求項1記載の隠れマルコフモデルの推定装置。 - 前記更新設定手段は、前記高速化パラメータの値を1<β<3に設定することを特徴とする請求項2記載の隠れマルコフモデルの推定装置。
- 記憶手段に観測データを時系列に格納し、
前記観測データがどのような確率モデルであるのかを、推定手段が隠れマルコフモデルの未知パラメータを算出することで推定する隠れマルコフモデルの推定方法において、
前記未知パラメータの算出は、前記隠れマルコフモデルの高速化パラメータを設定する初期設定ステップと、
前記隠れマルコフモデルの未知パラメータとして、状態遷移する状態遷移確率a,出力が発生する出力確率b,初期状態の初期状態確率πおよび尤度の各確率量と、
状態遷移および出力の各期待値を更新設定する更新設定ステップと、
前記更新設定ステップで更新設定した直前の各確率量および各期待値のみならず、それより前の時間シフトした各確率量および各期待値を用いると共に、前記記憶手段から読み出した観測データと、前記初期設定ステップで設定した高速化パラメータとを用い、微小近似を適用して新たな各確率量および各期待値を計算する演算ステップと、
前記演算ステップによる計算の収束を判定し、計算が収束していなければ、前記演算ステップで計算した新たな各確率量および各期待値を前記更新設定ステップで設定更新させ、計算が収束していれば、前記演算ステップで計算した新たな各確率量を最終的な値として出力させる判定ステップとからなる隠れマルコフモデルの推定方法。 - t回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、前記出力確率bの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとしたときに、
前記演算ステップは、前記新たな各確率量として、
t+1回目の状態iとなる初期状態確率πi|θt+1(t+1はθの添え字)の値を、次の式で計算し、
t+1回目の状態iから状態jに移る状態遷移確率aij|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記状態遷移の期待値Naij|θtおよびNaij|θt-1(ijはaの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算し、
状態jで状態kが出力される出力確率bjk|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記出力の期待値Nbjk|θtおよびNbjk|θt-1(jkはbの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算する
ことを特徴とする請求項4記載の隠れマルコフモデルの推定方法。 - t回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、前記出力確率bの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとし、前記観測データy(太字)の配列をM本とし、前記M本の配列のうち、何本目の配列かを示すインデックスをnとしたときに、
前記演算ステップは、前記新たな各確率量として、
t+1回目の状態iとなる初期状態確率πi|θt+1(t+1はθの添え字)の値を、次の式で計算し、
t+1回目の状態iから状態jに移る状態遷移確率aij|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記状態遷移の期待値Naij|θtおよびNaij|θt-1(ijはaの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算し、
状態jで状態kが出力される出力確率bjk|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記出力の期待値Nbjk|θtおよびNbjk|θt-1(jkはbの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算する
ことを特徴とする請求項4記載の隠れマルコフモデルの推定方法。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとしたときに、
前記演算ステップは、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
l+1回目の状態jで分岐kに移行する枝へ遷移する確率を特定する分岐確率cjk|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記分岐の期待値Ncjk|θlおよびNcjk|θl-1(jkはcの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμjk|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jで分岐kに移行した時の出力の共分散行列Σjk|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項4記載の隠れマルコフモデルの推定方法。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとし、前記観測データy(太字)の配列をM本とし、前記M本の配列のうち、何本目の配列かを示すインデックスをnとしたときに、
前記演算ステップは、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
l+1回目の状態jで分岐kに移行する枝へ遷移する確率を特定する分岐確率cjk|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記分岐の期待値Ncjk|θlおよびNcjk|θl-1(jkはcの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμjk|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jで分岐kに移行した時の出力の共分散行列Σjk|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項4記載の隠れマルコフモデルの推定方法。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとしたときに、
前記演算ステップは、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
l+1回目の状態jで分岐kに移行する枝へ遷移する確率を特定する分岐確率cjk|θl+(l+1はθの添え字)の値を、l回目およびl-1回目における前記分岐の期待値Ncjk|θlおよびNcjk|θl-1(jkはcの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμj|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jで分岐kに移行した時の出力の共分散行列Σj|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項4記載の隠れマルコフモデルの推定方法。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとし、前記観測データy(太字)の配列をM本とし、前記M本の配列のうち、何本目の配列かを示すインデックスをnとしたときに、
前記演算ステップは、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
l+1回目の状態jで分岐kに移行する枝へ遷移する確率を特定する分岐確率cjk|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記分岐の期待値Ncjk|θl およびNcjk|θl-1(jkはcの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμ-k|θl+1(-はμの直上に付くものであり、l+1はθの添え字)を次の式で計算し、
l+1回目の状態jで分岐kに移行した時の出力の共分散行列Σ-k|θl+1(-はΣの直上に付くものであり、l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項4記載の隠れマルコフモデルの推定方法。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとしたときに、
前記演算ステップは、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
Dgを部分が重複しない集合として、l+1回目の状態jでグループ化gが行なわれるグループ化確率cjg|θl+1(l+1はθの添え字)の値を次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμjg|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jでグループ化gが行なわれるときの出力の共分散行列Σjg|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項4記載の隠れマルコフモデルの推定方法。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとし、前記観測データy(太字)の配列をM本とし、前記M本の配列のうち、何本目の配列かを示すインデックスをnとしたときに、
前記演算ステップは、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
Dを部分が重複しない集合として、l+1回目の状態jでグループ化gが行なわれる確率の際に(g) g番目のグループへ遷移する確率を特定するグループ化確率cjg|θl+1(l+1はθの添え字)の値を次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμjg|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jでグループ化gが行なわれるときの出力の共分散行列Σjg|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項4記載の隠れマルコフモデルの推定方法。 - 前記更新設定ステップで、前記高速化パラメータの値を1<β<3に設定することを特徴とする請求項5〜12記載の隠れマルコフモデルの推定方法。
- 記憶手段に時系列に格納された観測データがどのような確率モデルであるのかを、隠れマルコフモデルの未知パラメータを算出することで推定する推定手段として、コンピュータを機能させる隠れマルコフモデルの推定プログラムにおいて、
前記推定手段を、前記隠れマルコフモデルの高速化パラメータを設定する初期設定手段と、
前記隠れマルコフモデルの未知パラメータとして、状態遷移する状態遷移確率a,出力が発生する出力確率b,初期状態の初期状態確率πおよび尤度の各確率量と、
状態遷移および出力の各期待値を更新設定する更新設定手段と、
前記更新設定手段で更新設定した直前の各確率量および各期待値のみならず、それより前の時間シフトした各確率量および各期待値を用いると共に、前記記憶手段から読み出した観測データと、前記初期設定手段で設定した高速化パラメータとを用い、微小近似を適用して新たな各確率量および各期待値を計算する演算手段と、
前記演算手段による計算の収束を判定し、計算が収束していなければ、前記演算手段による新たな各確率量および各期待値を前記更新設定手段で設定更新させ、計算が収束していれば、前記演算手段による新たな各確率量を最終的な値として確定させる判定手段として機能させることを特徴とする隠れマルコフモデルの推定プログラム。 - t回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、前記出力確率bの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとしたときに、
前記演算手段は、前記新たな各確率量として、
t+1回目の状態iとなる初期状態確率πi|θt+1(t+1はθの添え字)の値を、次の式で計算し、
t+1回目の状態iから状態jに移る状態遷移確率aij|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記状態遷移の期待値Naij|θtおよびNaij|θt-1(ijはaの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算し、
状態jで状態kが出力される出力確率bjk|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記出力の期待値Nbjk|θtおよびNbjk|θt-1(jkはbの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算する
ことを特徴とする請求項14記載の隠れマルコフモデルの推定プログラム。 - t回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、前記出力確率bの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとし、前記観測データy(太字)の配列をM本とし、前記M本の配列のうち、何本目の配列かを示すインデックスをnとしたときに、
前記演算手段は、前記新たな各確率量として、
t+1回目の状態iとなる初期状態確率πi|θt+1(t+1はθの添え字)の値を、次の式で計算し、
t+1回目の状態iから状態jに移る状態遷移確率aij|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記状態遷移の期待値Naij|θtおよびNaij|θt-1(ijはaの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算し、
状態jで状態kが出力される出力確率bjk|θt+1(t+1はθの添え字)の値を、t回目およびt-1回目における前記出力の期待値Nbjk|θtおよびNbjk|θt-1(jkはbの添え字、tまたはt-1はθの添え字)を利用して、次の式で計算する
ことを特徴とする請求項14記載の隠れマルコフモデルの推定プログラム。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとしたときに、
前記演算手段は、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
l+1回目の状態jで分岐kに移行する枝へ遷移する確率を特定する分岐確率cjk|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記分岐の期待値Ncjk|θlおよびNcjk|θl-1(jkはcの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμjk|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jで分岐kに移行した時の出力の共分散行列Σjk|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項14記載の隠れマルコフモデルの推定プログラム。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとし、前記観測データy(太字)の配列をM本とし、前記M本の配列のうち、何本目の配列かを示すインデックスをnとしたときに、
前記演算手段は、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
l+1回目の状態jで分岐kに移行する枝へ遷移する確率を特定する分岐確率cjk|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記分岐の期待値Ncjk|θlおよびNcjk|θl-1(jkはcの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμjk|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jで分岐kに移行した時の出力の共分散行列Σjk|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項14記載の隠れマルコフモデルの推定プログラム。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとしたときに、
前記演算手段は、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
l+1回目の状態jで分岐kに移行する枝へ遷移する確率を特定する分岐確率cjk|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記分岐の期待値Ncjk|θlおよびNcjk|θl-1(jkはcの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμj|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jで分岐kに移行した時の出力確率の共分散行列Σj|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項14記載の隠れマルコフモデルの推定プログラム。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとし、前記観測データy(太字)の配列をM本とし、前記M本の配列のうち、何本目の配列かを示すインデックスをnとしたときに、
前記演算手段は、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
l+1回目の状態jで分岐kに移行する枝へ遷移する確率を特定する分岐確率cjk|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記分岐の期待値Ncjk|θlおよびNcjk|θl-1(jkはcの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
前記分岐確率の確率密度関数の平均値である平均値ベクトルμ-k|θl+1(-はμの直上に付くものであり、l+1はθの添え字)を次の式で計算し、
l+1回目の状態jで分岐kに移行する枝へ遷移する確率の共分散行列Σ-k|θl+1(-はΣの直上に付くものであり、l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項14記載の隠れマルコフモデルの推定プログラム。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとしたときに、
前記演算手段は、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
Dgを部分が重複しない集合として、l+1回目の状態jでグループ化gが行なわれるグループ化確率cjg|θl+1(l+1はθの添え字)の値を次の式で計算し、
前記グループ化確率の確率密度関数の平均値である平均値ベクトルμjg|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jでグループ化gが行なわれるときの出力の共分散行列Σjg|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項14記載の隠れマルコフモデルの推定プログラム。 - 前記未知パラメータとして、さらに分岐確率と平均値ベクトルと共分散行列のパラメータを含めて計算し、l回目に繰り返し更新される前記初期状態確率πと、前記状態遷移確率aと、分岐確率cと、平均値ベクトルμと、共分散行列Σの集合の組合せを次の式で示し、
s(太字)を状態sの集合とし、y(太字)を前記観測データの値yの集合とし、前記高速化パラメータの値をβとし、前記観測データy(太字)の配列をM本とし、前記M本の配列のうち、何本目の配列かを示すインデックスをnとしたときに、
前記演算手段は、前記新たな各確率量として、
l+1回目の状態iとなる初期状態確率πi|θl+1(l+1はθの添え字)の値を、次の式で計算し、
l+1回目の状態iから状態jに移る状態遷移確率aij|θl+1(l+1はθの添え字)の値を、l回目およびl-1回目における前記状態遷移の期待値Naij|θlおよびNaij|θl-1(ijはaの添え字、lまたはl-1はθの添え字)を利用して、次の式で計算し、
Dgを部分が重複しない集合として、l+1回目の状態jでグループ化gが行なわれる確率の際にg番目のグループへ遷移する確率を特定するグループ化確率cjg|θl+1(l+1はθの添え字)の値を次の式で計算し、
前記グループ化確率の確率密度関数の平均値である平均値ベクトルμjg|θl+1(l+1はθの添え字)を次の式で計算し、
l+1回目の状態jでグループ化gが行なわれるときの出力の共分散行列Σjg|θl+1(l+1はθの添え字)を次の式で計算する
ことを特徴とする請求項14記載の隠れマルコフモデルの推定プログラム。 - 前記更新設定手段は、前記高速化パラメータの値を1<β<3に設定することを特徴とする請求項15〜22記載の隠れマルコフモデルの推定プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012524465A JP5709179B2 (ja) | 2010-07-14 | 2011-03-31 | 隠れマルコフモデルの推定方法,推定装置および推定プログラム |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010159949 | 2010-07-14 | ||
JP2010159949 | 2010-07-14 | ||
JP2012524465A JP5709179B2 (ja) | 2010-07-14 | 2011-03-31 | 隠れマルコフモデルの推定方法,推定装置および推定プログラム |
PCT/JP2011/058312 WO2012008184A1 (ja) | 2010-07-14 | 2011-03-31 | 隠れマルコフモデルの推定方法,推定装置および推定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2012008184A1 JPWO2012008184A1 (ja) | 2013-09-05 |
JP5709179B2 true JP5709179B2 (ja) | 2015-04-30 |
Family
ID=45469198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012524465A Expired - Fee Related JP5709179B2 (ja) | 2010-07-14 | 2011-03-31 | 隠れマルコフモデルの推定方法,推定装置および推定プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP5709179B2 (ja) |
WO (1) | WO2012008184A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934930A (zh) * | 2021-10-08 | 2022-01-14 | 宜兴市旭航电子有限公司 | 基于概率和隐马尔可夫模型的用户喜好预测系统及方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110450154A (zh) * | 2019-07-18 | 2019-11-15 | 广州弘度信息科技有限公司 | 一种基于动力学的机械臂柔性控制方法 |
CN111008238B (zh) * | 2019-11-15 | 2023-10-10 | 武汉楚誉科技股份有限公司 | 基于关联演化大数据的关键模式自动定位与预警方法 |
CN111259261B (zh) * | 2020-01-02 | 2023-09-26 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于状态迁移预测的高铁行车网络协同报警优化方法 |
CN117405573B (zh) * | 2023-12-15 | 2024-03-22 | 长沙矿冶研究院有限责任公司 | 一种考虑脉冲数不稳定的射线矿浆浓度计校准方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10149191A (ja) * | 1996-09-20 | 1998-06-02 | Nippon Telegr & Teleph Corp <Ntt> | モデル適応方法、装置およびその記憶媒体 |
JP2004264816A (ja) * | 2002-09-06 | 2004-09-24 | Microsoft Corp | 再帰的構成における反復ノイズ推定法 |
JP2006349723A (ja) * | 2005-06-13 | 2006-12-28 | Nippon Telegr & Teleph Corp <Ntt> | 音響モデル作成装置、音声認識装置、音響モデル作成方法、音声認識方法、音響モデル作成プログラム、音声認識プログラムおよび記録媒体 |
JP2010078650A (ja) * | 2008-09-24 | 2010-04-08 | Toshiba Corp | 音声認識装置及びその方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006285881A (ja) * | 2005-04-05 | 2006-10-19 | Sony Corp | 学習装置、学習方法、およびプログラム |
-
2011
- 2011-03-31 JP JP2012524465A patent/JP5709179B2/ja not_active Expired - Fee Related
- 2011-03-31 WO PCT/JP2011/058312 patent/WO2012008184A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10149191A (ja) * | 1996-09-20 | 1998-06-02 | Nippon Telegr & Teleph Corp <Ntt> | モデル適応方法、装置およびその記憶媒体 |
JP2004264816A (ja) * | 2002-09-06 | 2004-09-24 | Microsoft Corp | 再帰的構成における反復ノイズ推定法 |
JP2006349723A (ja) * | 2005-06-13 | 2006-12-28 | Nippon Telegr & Teleph Corp <Ntt> | 音響モデル作成装置、音声認識装置、音響モデル作成方法、音声認識方法、音響モデル作成プログラム、音声認識プログラムおよび記録媒体 |
JP2010078650A (ja) * | 2008-09-24 | 2010-04-08 | Toshiba Corp | 音声認識装置及びその方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934930A (zh) * | 2021-10-08 | 2022-01-14 | 宜兴市旭航电子有限公司 | 基于概率和隐马尔可夫模型的用户喜好预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2012008184A1 (ja) | 2012-01-19 |
JPWO2012008184A1 (ja) | 2013-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11797822B2 (en) | Neural network having input and hidden layers of equal units | |
Collins et al. | Exponentiated gradient algorithms for conditional random fields and max-margin markov networks | |
JP4594551B2 (ja) | 統合された確率的ランゲージ・モデルを用いたドキュメント画像復号化方法 | |
Papaspiliopoulos et al. | Retrospective Markov chain Monte Carlo methods for Dirichlet process hierarchical models | |
Lavergne et al. | Practical very large scale CRFs | |
Onken et al. | Discretize-optimize vs. optimize-discretize for time-series regression and continuous normalizing flows | |
JP5709179B2 (ja) | 隠れマルコフモデルの推定方法,推定装置および推定プログラム | |
Cappé | Online expectation maximisation | |
Uribe et al. | Cross-entropy-based importance sampling with failure-informed dimension reduction for rare event simulation | |
Allahverdyan et al. | Comparative analysis of viterbi training and maximum likelihood estimation for hmms | |
JP2014517602A (ja) | ユーザ入力予測 | |
Reddy et al. | Trust-tech-based expectation maximization for learning finite mixture models | |
Cholewa et al. | Estimation of the number of states for gesture recognition with Hidden Markov Models based on the number of critical points in time sequence | |
JP2022530447A (ja) | ディープラーニングに基づく中国語単語分割方法、装置、記憶媒体及びコンピュータ機器 | |
JP2015169951A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Sokolovska et al. | Efficient learning of sparse conditional random fields for supervised sequence labeling | |
Das et al. | Sketchode: Learning neural sketch representation in continuous time | |
Lifshits et al. | Speeding up HMM decoding and training by exploiting sequence repetitions | |
Li | Conditional random field | |
US20060100874A1 (en) | Method for inducing a Hidden Markov Model with a similarity metric | |
CN116167446B (zh) | 量子计算处理方法、装置及电子设备 | |
Korotin et al. | Aggregating strategies for long-term forecasting | |
Dayar et al. | On the numerical analysis of stochastic Lotka-Volterra models | |
Mozes et al. | Speeding up HMM decoding and training by exploiting sequence repetitions | |
JP2019046188A (ja) | 文生成装置、文生成学習装置、文生成方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140318 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140924 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20141125 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150127 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150225 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5709179 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |