Künstlichen neuronalen Netzen und Markov-Prozesse
Ich lese ein wenig über ANN und Markov-Prozess. Kann mir bitte jemand helfen beim Verständnis wo genau Markov-Prozess passt mit ANN und genetische algorithmen. Oder einfach das, was könnte die Rolle von Markov-Prozesse in diesem Szenario.
Vielen Dank
- Beachten Sie, dass Sie verwenden können, HMM und ANN zusammen in so genannte hybride neuronale Netzwerke. Eine Ihrer Anwendungen ist in der Spracherkennung, wenn jeder sound-sample (super frame) ist unterteilt in viele Einzelbilder, die jeweils eine MFCC-Vektor zum Beispiel. Dann müssen Sie die Verwendung von HMM in ANN Modell die Rede (superframe) Anerkennung. research.microsoft.com/pubs/144412/dbn4lvcsr-transaslp.pdf
Du musst angemeldet sein, um einen Kommentar abzugeben.
Markov-Prozess und Künstliche Neuronale Netze sind völlig unterschiedliche Konzepte.
Markov-Prozesse beschreibt alle Ereignisse, die Folgen, die eine bestimmte statistische Eigenschaft. Auf die gleiche Weise die Worte "Gauß" oder "Random" beschreibt eine bestimmte Gruppe von Ereignissen im Hinblick auf seine statistische Eigenschaft.
Künstliche Neuronale Netz ist ein Algorithmus, der hilft, lösen Sie Probleme, und ist nicht wirklich im Zusammenhang mit Markov-Prozessen. Man könnte denken Hidden Markov Modelle das ist auch ein Algorithmus. HMM der übernimmt das zugrunde liegende system ist ein Markov-Prozess mit versteckten Staaten.
Die akzeptierte Antwort ist richtig, aber ich wollte nur hinzufügen, ein paar details.
Einen Markov-Prozess ist jedes system, dass geht durch eine Reihe von Staaten, die zufällig in einer solchen Weise, dass, wenn Sie wissen, den aktuellen Stand, können Sie Vorhersagen, die Wahrscheinlichkeit der einzelnen möglichen nächsten Zustände. Ein typisches Beispiel ist das Wetter, wenn es sonnig ist, können Sie jetzt Vorhersagen, dass es wahrscheinlich ist sonnig später, unabhängig von früheren Wetter.
Eines genetischen Algorithmus ist, dass man beginnt, indem er eine Reihe von beliebigen zufälligen Lösungen zu einem gegebenen problem. Es prüft dann, diese Lösungen zu sehen, wie gut Sie sind. Die 'schlechten' Lösungen werden verworfen, die 'guten' Lösungen gehalten werden, und zusammen kombiniert, um form (hoffentlich) bessere Lösungen, wie erfolgreiche Mitglieder einer Art Züchtung einer neuen generation. In der Theorie, die Wiederholung dieses Prozesses wird eine bessere und bessere Lösungen, bis Sie schließlich eine optimale.
Wie Sie sehen können, Sie sind nicht algorithmisch verknüpft. Allerdings, genetische algorithmen sind oft verwendet, um generieren, Hidden Markov Modellen, zum Beispiel hier. Die Grundidee ist, dass ein HMM initialisiert wird mit zufälligen gewichten, ein 'training set' der zugehörigen Markov-Prozesse wird durch Sie laufen, und die GEWICHTE angepasst sind, geben die Mitglieder des trainingssatzes der höchsten Wahrscheinlichkeit Auftritt. Dies geschieht oft in Spracherkennung software.