Hidden Markov model

Een hidden Markov model (HMM) is een model uit de statistiek waarin het te modelleren systeem een markov-proces is met onwaarneembare toestanden. De uitkomsten van het proces hangen op bekende wijze af van een waarneembaar proces en wel zo dat op een bepaald tijdstip de toestand van dit waarneembare proces alleen afhangt van de toestand van de onwaarneembare toestand van het verborgen markov-proces. Het doel is kennis over het verborgen proces te verkrijgen op basis van het waarneembare proces. Hidden Markov-modellen worden gebruikt voor toepassingen als patroonherkenning. Een HMM kan worden beschouwd als de eenvoudigste vorm van een dynamisch Bayesiaans netwerk.

Voorbeeld

toestanden = ('Regen', 'Zon')

bezigheden = ('wandelen', 'winkelen', 'lezen')

beginverdeling = {'Regen': 0.6, 'Zon': 0.4}

overgangskansen =

	Regen	Zon
Regen	0,7	0,3
Zon	0,4	0,6

bezigheidskansen =

	Wandelen	Winkelen	Lezen
Regen	0,1	0,4	0,5
Zon	0,6	0,3	0,1

Toepassingen

spraakherkenning
optische tekenherkenning
bio-informatica en genoomonderzoek
- voorspellen van genen in het genoom
- structureren van gelijkaardige DNA- en eiwitpatronen in "families"
- voorspellen van de secundaire eiwitstructuur op basis van de aminozuursequentie

Software

HMM-gebaseerde programma's

Literatuurreferenties

Lawrence Rabiner, 1989. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition.
Kristie Seymore, Andrew McCallum, and Roni Rosenfeld. Learning Hidden Markov Model Structure for Information Extraction. AAAI 99 Workshop on Machine Learning for Information Extraction, 1999. (ook op CiteSeer)