นี่คือคำถามเก่าของฉัน
ฉันอยากถามว่ามีใครรู้ถึงความแตกต่าง (ถ้ามีความแตกต่างใด ๆ ) ระหว่าง Hidden Markov models (HMM) และ Particle Filter (PF) หรือไม่และเป็นผลจาก Kalman Filter หรือในกรณีที่เราใช้อัลกอริทึมใด ฉันเป็นนักเรียนและฉันต้องทำโครงการ แต่ก่อนอื่นฉันต้องเข้าใจบางสิ่ง
ดังนั้นตามบรรณานุกรมทั้งสองรัฐอวกาศรุ่นรวมทั้งที่ซ่อนอยู่ (หรือแฝงหรือสังเกต) รัฐ ตามที่ Wikipedia (Hidden_Markov_model) “ใน HMM พื้นที่สถานะของตัวแปรที่ซ่อนอยู่นั้นไม่ต่อเนื่องในขณะที่การสังเกตตัวเองสามารถแยกออกจากกัน (โดยทั่วไปจะเกิดจากการกระจายแบบแบ่งหมวดหมู่) หรือต่อเนื่อง (โดยทั่วไปมาจากการแจกแจงแบบเกาส์) โมเดลมาร์คอฟที่ซ่อนยังสามารถวางนัยเพื่ออนุญาตให้มีพื้นที่ของรัฐอย่างต่อเนื่อง ตัวอย่างของแบบจำลองเหล่านั้นคือสิ่งที่กระบวนการมาร์คอฟเหนือตัวแปรที่ซ่อนอยู่เป็นระบบพลวัตเชิงเส้นที่มีความสัมพันธ์เชิงเส้นระหว่างตัวแปรที่เกี่ยวข้องและที่ที่ตัวแปรที่ซ่อนอยู่ ในกรณีง่าย ๆ เช่นระบบพลวัตเชิงเส้นที่กล่าวถึงการอนุมานที่แน่นอนนั้นง่ายต่อการใช้งาน (ในกรณีนี้ใช้ตัวกรองคาลมาน); อย่างไรก็ตามโดยทั่วไปการอนุมานที่แน่นอนใน HMMs ที่มีตัวแปรแฝงต่อเนื่องเป็นไปไม่ได้และต้องใช้วิธีการโดยประมาณ”
แต่สำหรับฉันมันค่อนข้างสับสน ... ในคำง่ายๆนี้หมายถึงการติดตาม (จากการวิจัยเพิ่มเติมที่ฉันได้ทำไป):
- ใน HMM พื้นที่รัฐสามารถเป็นได้ทั้งที่ไม่ต่อเนื่องหรือต่อเนื่อง นอกจากนี้ยังมีข้อสังเกตที่ตัวเองสามารถเป็นได้ทั้งที่ไม่ต่อเนื่องหรือต่อเนื่อง นอกจากนี้ HMM ยังเป็นระบบพลวัตเชิงเส้นและแบบเกาส์เซียน
- ใน PF พื้นที่รัฐสามารถเป็นได้ทั้งที่ไม่ต่อเนื่องหรือต่อเนื่อง นอกจากนี้ยังมีข้อสังเกตที่ตัวเองสามารถเป็นได้ทั้งที่ไม่ต่อเนื่องหรือต่อเนื่อง แต่ PF เป็นระบบพลวัตที่ไม่ใช่เชิงเส้น (และไม่ใช่แบบเกาส์?) (นั่นคือความแตกต่างหรือไม่?)
- ตัวกรองคาลมาน (ดูเหมือนว่าเหมือนกันกับฉันอย่าง HMM) จะถูกใช้เมื่อเรามีระบบพลศาสตร์เชิงเส้นและแบบเกาส์เซียน
นอกจากนี้ฉันจะรู้ได้อย่างไรว่าอัลกอริธึมที่จะเลือกเพราะฉันทั้งหมดเหล่านี้ดูเหมือนกัน ... นอกจากนี้ฉันยังพบกระดาษ (ไม่ใช่ภาษาอังกฤษ) ซึ่งบอกว่า PF แม้ว่าจะมีข้อมูลเชิงเส้น (ตัวอย่างเช่นข้อมูลดิบจากเซ็นเซอร์ -chinect ซึ่งรับรู้การเคลื่อนไหว) ระบบพลวัตสามารถไม่ใช่เชิงเส้น เกิดขึ้นได้ไหม? ถูกต้องหรือไม่ อย่างไร?
สำหรับการรู้จำท่าทางผู้วิจัยสามารถใช้ทั้ง HMM หรือ PF แต่พวกเขาไม่ได้อธิบายว่าทำไมพวกเขาเลือกอัลกอริทึมแต่ละอัน ... ไม่มีใครรู้ว่าฉันสามารถช่วยแยกอัลกอริธึมเหล่านี้ให้เข้าใจความแตกต่างของพวกเขาได้อย่างไร
ฉันขอโทษถ้าคำถามของฉันใหญ่เกินไปหรือบางส่วนไร้เดียงสา แต่ฉันไม่พบคำตอบที่น่าเชื่อและเป็นวิทยาศาสตร์ ขอบคุณมากสำหรับเวลาของคุณ!
นี่คือคำถามใหม่ของฉัน (ตามความช่วยเหลือของ @ conjugateprior)
ดังนั้นเมื่ออ่านเพิ่มเติมฉันต้องการอัปเดตบางส่วนของความคิดเห็นก่อนหน้าของฉันและเพื่อให้แน่ใจว่าฉันเข้าใจเพิ่มเติมว่าเกิดอะไรขึ้นอีกเล็กน้อย
- อีกครั้งในคำง่าย ๆ ร่มคือเครือข่ายแบบไดนามิกเบย์ภายใต้รูปแบบของHMMและพื้นที่ของรัฐจะรวมอยู่ (คลาสย่อย) ( http://mlg.eng.cam.ac.uk.z/zoubin/papers/ijprai.pdf )
- นอกจากนี้ความแตกต่างครั้งแรกระหว่าง 2 รุ่นคือว่าใน HMM รัฐตัวแปรที่ซ่อนอยู่จะไม่ต่อเนื่องในขณะที่การสังเกตสามารถเป็นได้ทั้งที่ไม่ต่อเนื่องหรือต่อเนื่อง ใน PF ตัวแปรรัฐที่ซ่อนอยู่อย่างต่อเนื่อง (มูลค่าจริงเวกเตอร์รัฐซ่อน) และการสังเกตมีการกระจายแบบเกาส์
- นอกจากนี้ตาม @conjugateprior แต่ละรุ่นมี 3 งานต่อไปนี้: การกรองการทำให้เรียบและการทำนาย ในการกรองแบบจำลอง HMM ใช้สำหรับตัวแปรสถานะที่ไม่ต่อเนื่องของวิธีการส่งต่ออัลกอริทึมพื้นที่ของรัฐใช้สำหรับตัวแปรต่อเนื่องและระบบไดนามิกเชิงเส้นที่ตัวกรองคาลมานเป็นต้น
- แต่อืมยังสามารถทั่วไปที่จะอนุญาตให้ช่องว่างของรัฐอย่างต่อเนื่อง
- ด้วยส่วนขยายของ HMM เหล่านี้ดูเหมือนว่าทั้งสองรุ่นจะมีแนวคิดที่เหมือนกัน (ดังที่กล่าวไว้ในHidden Markov Model และ Markov Transition Model กับ State-Space Model ... ? )
ฉันคิดว่าฉันใช้คำศัพท์ที่แม่นยำกว่านี้เล็กน้อย แต่ทุกอย่างยังไม่ชัดเจนสำหรับฉัน ใครช่วยอธิบายให้ฉันเห็นความแตกต่างระหว่างแบบจำลอง HMM กับ State Spaceคืออะไร
เพราะฉันไม่สามารถหาคำตอบที่ตรงกับความต้องการของฉันจริงๆ
ขอบคุณอีกครั้ง!