پروژه آماده در مورد Hidden markov model (یادگیری ماشین)

پروژه-آماده-در-مورد-Hidden-markov-model-(یادگیری-ماشین)
توضیحات کوتاه و لینک دانلود
پژوهشگران عزیز وبسایت یکتا فایل امروز برای شما یک مقاله آماده درباره Hidden markov model (یادگیری ماشین) برای دانلود قرار دادیم امیدواریم مورد رضایت شما عزیزان واقع شده باشد برای دیدن توضیحات بیشتر متن زیر را مطالعه فرمایید

📥 دانلود - Download

لیست فایل های مشابه

لینک کوتاه : https://yektafile.ir/?p=3754

توضیحات کامل در مورد فایل

دانلود  پروژه آماده در مورد Hidden markov model (یادگیری ماشین) در قالب فایل ورد , پاورپوینت و پی دی اف با قابلیت ویرایش

پژوهشگران عزیز وبسایت یکتا فایل امروز برای شما یک مقاله آماده درباره Hidden markov model (یادگیری ماشین)  برای دانلود قرار دادیم امیدواریم مورد رضایت شما عزیزان واقع شده باشد برای دیدن توضیحات بیشتر متن زیر را مطالعه فرمایید

جزییات  به شرح زیر می باشد

عنوان : Hidden markov model (یادگیری ماشین)
قابليت اجرا با نسخه هاي آفيس : 2013 تا آخرين نسخه
قابليت ويرايش بعد دانلود : دارد
امکان پرينت گرفتن : بدون هيچ گونه مشکل در چاپ

این پروژه دارای فایل های پاورپوینت + ورد +پی دی اف می باشد که در زمان دانلود هر سه فایل را دانلود خواهید کرد

قسمتی از متن انتخاب شده از داخل فایل ورد در مورد Hidden markov model (یادگیری ماشین)  به صورت زیر است

مقدمه
فرآيند مارکوف گسسته
يک سيستم مانند شکل زير را که در هر لحظه در يکي از حالت متمايز  است در نظر بگيريد. در زمانهاي گسسته و با فواصل منظم، حالت سيستم با توجه به مجموعه اي از احتمالات تغيير مي کند. براي زمانهاي   حالت در لحظه t را با qt نشان مي دهيم. براي يک توصيف مناسب از سيستم فعلي نياز به دانستن حالت فعلي در کنار تمام حالات قبلي مي باشد. براي يک حالت خاص از زنجيره مارکوف مرتبه اول، توصيف احتمالاتي تنها با حالت فعلي و حالت قبلي مشخص مي شود.

 

 
شکل 1زنجیر مدل مارکوف

حال تنها فرآيند هايي را در نظر مي گيريم که در آنها سمت راست رابطه فوق مستقل از زمان است و به همين دليل ما مجموعه اي از احتمالات انتقال بين حالتها را خواهيم داشت.

 

که در آن احتمال انتقال بين حالات داراي خواص زير است.
 
فرايند تصادفي فوق را مدل مارکوف قابل مشاهده مي گويند زيرا خروجي مدل مجموعه اي از حالات است که قرار گرفتن در آنها متناظر با يک مشاهده مي باشد. ما مي توانيم دنباله مشاهدات مورد انتظار خود را توليد کنيم و احتمال وقوع آن در زنجيره مارکوف را محاسبه نماييم. براي مثال با داشتن دنباله مشاهدات  احتمال وقوع آن به صورت زير بيان مي شود.  
ديگر از مواردي که مطرح مي شود اين است که اگر سيستم در حالت   باشد با چه احتمالي بحالت   مي رود و با چه احتمالي در همان حالت   باقي مي ماند
مرتبه مدل مارکوف
مدل مارکوف مرتبه صفر
يک مدل مارکوف از مرتبه صفر هيچ حافظه اي ندارد و براي هر t و t' در دنباله سمبلها، pr(xt = Si) = pr(xt' = Si) خواهد بود.
مدل مارکوف از مرتبه صفر مانند يک توزيع احتمال چند جمله اي مي باشد.
مدل مارکوف مرتبه اول
يک مدل مارکوف مرتبه اول داراي حافظه اي با طول 1 مي باشد. توزيع احتمال در اين مدل به صورت زير مشخص مي شود.
pr(xt=Si | xt-1=Sj), for i = 1..k & j = 1..k
مدل مارکوف مرتبه m ام
مرتبه يک مدل مارکوف برابر است با طول حافظه اي که مقادير احتمال ممکن براي حالت بعدي به کمک آن محاسبه مي شود. براي مثال، حالت بعدي در يک مدل مارکوف از درجه 2 (مدل مارکوف مرتبه دوم) به دو حالت قبلي آن بستگي دارد.
 
مثال 1: براي مثال اگر يک سکه معيوب A داشته باشيم که احتمالات شير يا خط آمدن براي آن يکسان نباشد، مي توان آن را با يک مدل مارکوف درجه صفر با استفاده از احتمالات pr(H) و pr(T) توصيف نمود.  
pr(H)=0.6, pr(T)=0.4
حال اگر که سه سکه با شرايط فوق در اختيار داريم. سکه ها را با اسامي A، B و C نام گذاري مي نماييم. آنگاه براي توصيف روال زير به يک مدل مارکوف مرتبه اول نياز داريم:
1) فرض کنيد سکه X يکي از سکه هاي A و يا B باشد.
2) مراحل زير را تکرار مي کنيم.
(a سکه X را پرتاب مي کنيم و نتيجه را مي نويسيم.
 (bسکه C را نيز پرتاب مي کنيم.
 (cاگر سکه C خط آمد، آنگاه سکه X را تغيير مي دهيم ( A را با B يا B را با A جايگزين مي کنيم.) و در غير اينصورت تغييري در سکه ها نمي دهيم
انجام روال  فوق مدل مارکوف مرتبه اول زير را نتيجه خواهد داد.
 
يک پردازش مارکوفي مانند نمونه فوق در طول پيمايش احتمالات، يک خروجي نيز خواهد داشت. يک خروجي نمونه براي پردازش فوق مي تواند به شکل HTHHTHHttthtttHHTHHHHtthtthttht باشد
 
مدل مارکوف فوق را مي توان به صورت نموداري از حالات و انتقالها نيز نشان داد. کاملا مشخص است که اينگونه بازنمايي از مدل مارکوف مانند بازنمايي يک ماشين انتقال حالت محدود است که هر انتقال با يک احتمال همراه مي باشد
مدل مخفي مارکوف (HMM)
مدل مارکوف، که در آن هر حالت متناظر با يک رويداد قابل مشاهده بود را معرفي نموديم. در اين بخش مدل مارکوف مخفی را بیان می کنیم به اين صورت که در آن، مشاهدات توابع احتمالاتي از حالتها هستند. در اين صورت مدل حاصل يک مدل تصادفي با يک فرآيند تصادفي زيرين است که مخفي است و تنها توسط مجموعه اي از فرآيند هاي تصادفي که دنباله مشاهدات را توليد مي کنند قابل مشاهده است.
براي مثال فرض کنيد که شما در يک اتاق هستيد و در اتاق مجاور آن فرد ديگري سکه هايي را به هوا پرتاب مي کند و بدون اينکه به شما بگويد اين کار را چگونه انجام مي دهد و تنها نتايج را به اطلاع شما ميرساند. در اين حالت شما با فرآيند مخفي انداختن سکه ها و با دنباله اي از مشاهدات شير يا خط مواجه هستيد. مساله اي که اينجا مطرح مي شود چگونگي ساختن مدل مارکوف به منظور بيان اين فرآيند تصادفي است. براي مثال اگر تنها مشاهدات حاصل از انداختن يک سکه باشد، مي توان با يک مدل دو حالته مساله را بررسي نمود. يک مدل مخفي مارکوف را مي توان با تعيين پارامترهاي زير ايجاد نمود:
    تعداد حالات ممکن: تعداد حالتها در موفقيت مدل نقش به سزايي دارد و در يک مدل مخفي مارکوف هر حالت با يک رويداد متناظر است. براي اتصال حالتها روشهاي متفاوتي وجود دارد که در عمومي ترين شکل تمام حالتها به يکديگر متصل مي شوند و از يکديگر قابل دسترسي مي باشند.
           تعداد مشاهدات در هر حالت: تعداد مشاهدات برابر است با تعداد خروجيهايي که سيستم مدل شده خواهد داشت
   تعداد حالتهاي مدل N
    تعداد سمبلهاي مشاهده در الفبا، M. اگر مشاهدات گسسته باشند آنگاه M يک مقدار نا محدود خواهد داشت.
     ماتريس انتقال حالت  : يک مجموعه از احتمالات انتقال در بين حالتها
 
که در آن   بيانگر حالت فعلي مي باشد. احتمالات انتقال بايد محدوديتها طبيعي يک توزيع احتمال تصادفي را برآورده نمايند. اين محدوديتها شامل موارد زير مي گردند
 
 
براي حالات مدل ارگوديک براي تمام   و  ها مقدار  بزرگتر از صفر است و در موردي که اتصالي بين حالات وجود ندارد  .
توزيع احتمال مشاهدات: يک توزيع احتمال براي هر يک از حالتها

 
 
ه در آن   بيانگر   سمبل مشاهده شده در الفبا است و  بيانگر بردار پارامترهاي ورودي فعلي مي باشد. در مورد مقادير احتمال حالتها نيز شرايط موجود در نظريه احتمال بايد رعايت گردند.
 
 
اگر مشاهدات به صورت پيوسته باشند، بايد به جاي احتمالهاي گسسته از يک تابع چگالي احتمال پيوسته استفاده شود. معمولا چگالي احتمال به کمک يک مجموع وزندار از M توزيع نرمال   تخمين زده مي شود.
 
که در آن  به ترتيب ضريب وزندهي، بردار ميانگين و ماتريس کواريانس مي باشند. در رابطه فوق مقادير  بايد شرايط زير را ارضا نمايند:
 
 
      توزيع احتمال حالت آغازين   که در آن
 
به اين ترتيب ما مي توانيم يک مدل مخفي مارکوف با توزيع احتمال گسسته را با استفاده از سه گانه زير مشخص نماييم.
 
همچنين يک مدل مخفي مارکوف با توزيع احتمال پيوسته به صورت زير نشان داده مي شود.
 
فرض کنيد باب و الیس که دور از هم زندگی میکنند و الیس با او در مورد اينکه هر روز چه کاري انجام مي دهد از طريق تلفن صحبت مي کند. باب تنها به سه کار علاقه مند است: پياده روي در پارک، خريد و نظافت آپارتمان خود. انتخاب او کاملا با وضعيت هوايي هر روز در ارتباط است الیس هيچ اطلاعي از آب و هواي محلي که باب در آن زندگي مي کند ندارد اما بر حسب آنچه که باب هر روز از کارهاي خود تعريف مي کند الیس سعي مي کنيد که آب و هواي محل زندگي باب را حدس بزند.
که هوا مانند يک زنجيره مارکوف گسسته عمل مي کند. دو وضعيت ممکن است وجود داشته باشد: هوا باراني(rainy)  باشد و يا هوا آفتابي(sunny)  باشد. اما نمي توانيد آنها را مستقيما مشاهده کند زيرا آنها از الیس مخفي هستند. هر روز اين شانس وجود دارد که باب يکي از عمليت “walk”، “shop” و يا “clean” را با توجه به وضعيت هوا انجام دهد. دوست شما در مورد فعاليتي که انجام مي دهد به الیس توضيحاتي مي دهد که به آنها مشاهدات مي گوييم. اينگونه سيستمها را مدل مخفي مارکوف مي گويند.  
وضعيت کلي هوا و اينکه الیس تمايل دارد چه کاري را انجام دهد مي دانيد. به بيان ديگر پارامترهاي مدل HMM مشخص است. مي توان مدل HMM مورد

و ...برای مطالعه کامل فایل را دانلود فرمایید

عزیزان ما را خوشحال خواهید کرد در صورت داشتن هر گونه پیشنهاد در مورد Hidden markov model (یادگیری ماشین)  داشتید از قسمت ارسال نظر پیشنهاد خود را برای ما ارسال فرمایید

برای دریافت ( پروژه آماده در مورد Hidden markov model (یادگیری ماشین) ) کلیک فرمایید

فایل های که ممکن است نیاز داشته باشید

نظرات کاربران

نویسنده نظر : شاهين شيفته - 1398/5/13 (11:37)
با سلام و عرض ادب بسيار سپاس از فايلي که براي دانلود قرار داديد خوب و عالي و فوق العاده تون هم محتواها عالي بود و هم ارايه ها و هم سايتتون
 
پاسخ پشتیبانی یکتا فایل
سلام خواهش ميکنيم
 
نویسنده نظر : کيوان شورانگيز - 1398/1/27 (5:31)
دانلود کردم فوق العاده هستيد ممنون از سايت خوبتون
 
پاسخ پشتیبانی یکتا فایل
سلام نظر لطف شماست
 
نویسنده نظر : آريانوش آرينا - 1398/11/20 (4:12)
تشکر مي کنم از استاد از اينکه اين فايل رو قرار داديد دانلود کردم خوب و کامل بود
 
پاسخ پشتیبانی یکتا فایل
سلام تشکر از لطف شما
 
نویسنده نظر : آرينا مونا - 1398/4/28 (9:36)
با سلام و خسته نباشيدبابت بارگذاري و ارايه فايل من که دانلود کردم و بسيار عالي بود
 
پاسخ پشتیبانی یکتا فایل
با سلام ممنون از ارسال ديدگاه خود
 
برای ارسال نظر وارد سایت شوید