| المستخلص: |
تمت في هذا البحث دراسة نماذج ماركوف المخفية التي هي مجموعة منتهية من الحالات، كل حالة تقترن بتوزيع احتمالي، أما الانتقالات ما بين الحالات فتحدد بوساطة مجموعة من الاحتمالات وتسمى الاحتمالات الانتقالية، وبشكل عام، تتولد الحالة الناتجة (المشاهدة) طبقاً لتوزيع الاحتمالية المقترنة، اذ توجد احتمالية ناتجة فقط ولا توجد حالة ظاهرة يمكن أن نشاهد ولهذا فإن الحالات تكون مخفية. تم عرض المسائل الأساسية لنماذج ماركوف المخفية (Hidden Markov Models) (HMMs) وهي: - حساب الإمكان لمتسلسلة المشاهدات (O) عندما يكون المعطى هو النموذج، أي إيجاد، حيث أن : A =مصفوفة احتمالات انتقال الحالة. B= مصفوفة احتمالية المشاهدات. TT = توزيع الحالة الابتدائية. - اختيار متسلسلة الحالة المثلى لعملية ماركوف المخفية. -إيجاد النموذج الذي يكون فيه الإمكان أعظم ما يمكن، أي إعادة تقدير معلمات النموذج لتعظيم فضلا عن حلولها.
This study deals with hidden Markov models . These models consist of sets of finite states , each one of them is associated with a probability distribution . The transition among the states is governed by a set of probabilities namely “Transition probabilities”. In general, the final observation produced according to the associated probability, where there is only probability production instead of a clear visible states . Therefore , these states are described as hidden The basic problems for hidden Markov models (HMMs) are : - The probability account for the observation sequence (O) when the model is given _ = (A , B , _) , i.e. P(O|_) Where : A = The state transition probabilities . B = The observation probability matrix . _ = The initial state distribution . - Choosing the optimal state of the sequence for hidden Markov process. - Finding the model _ = (A , B , _) which has the greatest probability , i.e. re-estimating the model to maximiz P(O|_) . in addition to its results .
|
