استفاده از رویکرد تطبیقی به منظور بهبود عملکرد الگوریتم های پیشرو و پسرو

به طور معمول در یادگیری و تعیین پارامتر ها در کاربردهای مختلف مدل مخفی مارکوف نظیر محاسبه حل مسئله ارزیابی در الگوریتم های پیشرو و پسرو، از آماره هایی مانند میانگین استفاده می شود. در این راستا برای استفاده از آماره میانگین در تعیین پارامتر های مدل مخفی مارکوف، فرضیه های ایستا برای فرآیند تولید داده ها در نظر گرفته می شود. در صورتیکه در یک محیط غیر ایستا، پارامترهای مدل همانند پارامتر احتمال رویداد سمبل مشاهدات تولید شده توسط حالات، بین رویداد های متوالی به طور مستقیم تغییر می کند. از آنجا که مقدار احتمال پارامتر ذکر شده نقش بسیار مهمی در ارزیابی صحیح احتمال رویداد مشاهدات در مسئله ارزیابی توسط الگوریتم های پیشرو و پسرو دارد، لذا تغییرات بین رویداد ها و مشاهدات تولید شده توسط حالات باید بصورت خودکار استخراج شود. برای این منظور در این مقاله یک پارامتر تطبیق دهنده احتمال رویداد، جهت تطبیق و اعمال تغییرات در پارامتر بعد از هر رویداد در طول عمر الگوریتم های پیشرو و پسرو، ارائه شده است. نتایج آزمایشات بر روی مجموعه داده های واقعی عملکرد بهتر روش پیشنهادی را از نظر دقت نسبت به روش های دیگر نشان می دهد.

کلیدواژه ها:

مدل مخفی مارکوف ، مسئله ارزیابی ، محیط غیر ایستا ، الگوریتم پیشرو ، الگوریتم پسرو