ارائه یک روش جدید برای آموزش بهینه مدل پنهان مارکف

یکی از ابزارهای بسیار قدرتمند در پردازش فرآیندها ی اتفاقی و دنباله های تصادفی مدل پنهان مارکف یاHMM میباشد . مشهورترین روش آموزشمدل پنهان مارکف روش با م -ولشBW است که یک روش آموزش (جستجوی) محلی بوده و در دام بهینه های محلی گرفتار می آید . در این تحقیق ازروشهای جستجوی سراسری مبتنی بر سرد کردن فلزاتSA استفاده کردیم . همچنین یک روشSA حافظه دار و کاملاً جدید بنام MiPSA نیز ارائه داده ایم که دارای راندمان بالاتری نسبت بهSA های بدون حافظه است . آزمایشها نشان داد که کارآیی متوسط الگوریتم BW بیش از کارایی متوسط روشهای سراسری در تعداد تکرارهای نه خیلی زیاد ( 10000 تکرار ) است و این به دلیل قدرت بالای روشBW در تنظیم دقیق پارامترها، سرعت آن و پایه ریاضی مستحکم آن می باشد . برای رسیدن به بهینه سراسری در تعداد تکرارهای نه خیلی زیاد از روشهای ترکیبی 4 استفاده کردیم که هم از روش جستجوی سراسری مبتنی برSAو هم از روش جس تجوی محلیBW بهره می گیرد و دارای راندمان بالاتری نسبت به روشBW به تنهایی است . به نظر می رسد که با استفاده از روش بهینه سازی و جستجوی ترکیبی توانسته ایم به بهینه سراسری و آموزش بهینه مدل پنهان مارکفنزدیک شویم.