| Property |
Value |
| dbo:abstract
|
- Das Hidden Markov Model (englisch, HMM) ist ein stochastisches Modell, in dem ein System durch eine Markow-Kette – benannt nach dem russischen Mathematiker A. A. Markow – mit unbeobachteten Zuständen modelliert wird.Ein HMM kann dadurch als einfachster Spezialfall eines dynamischen bayesschen Netzes angesehen werden. Die Modellierung als Markow-Kette bedeutet, dass das System auf zufällige Weise von einem Zustand in einen anderen übergeht, wobei die Übergangswahrscheinlichkeiten nur jeweils vom aktuellen Zustand abhängen, aber nicht von den davor eingenommenen Zuständen. Außerdem wird angenommen, dass die Übergangswahrscheinlichkeiten über die Zeit konstant sind. Bei einem HMM werden jedoch nicht diese Zustände selbst von außen beobachtet; sie sind verborgen (engl. hidden). Stattdessen sind jedem dieser inneren Zustände beobachtbare Ausgabesymbole, sogenannte Emissionen, zugeordnet, die je nach Zustand mit gewissen Wahrscheinlichkeiten auftreten. Die Aufgabe besteht meist darin, aus der beobachteten Sequenz der Emissionen zu wahrscheinlichkeitstheoretischen Aussagen über die verborgenen Zustände zu kommen. Wichtige Anwendungsgebiete sind Spracherkennung, Computerlinguistik und die Bioinformatik, aber unter anderem auch Spamfilter, Gestenerkennung in der Mensch-Maschine-Kommunikation (Robotik), Schrifterkennung und Psychologie. (de)
- Das Hidden Markov Model (englisch, HMM) ist ein stochastisches Modell, in dem ein System durch eine Markow-Kette – benannt nach dem russischen Mathematiker A. A. Markow – mit unbeobachteten Zuständen modelliert wird.Ein HMM kann dadurch als einfachster Spezialfall eines dynamischen bayesschen Netzes angesehen werden. Die Modellierung als Markow-Kette bedeutet, dass das System auf zufällige Weise von einem Zustand in einen anderen übergeht, wobei die Übergangswahrscheinlichkeiten nur jeweils vom aktuellen Zustand abhängen, aber nicht von den davor eingenommenen Zuständen. Außerdem wird angenommen, dass die Übergangswahrscheinlichkeiten über die Zeit konstant sind. Bei einem HMM werden jedoch nicht diese Zustände selbst von außen beobachtet; sie sind verborgen (engl. hidden). Stattdessen sind jedem dieser inneren Zustände beobachtbare Ausgabesymbole, sogenannte Emissionen, zugeordnet, die je nach Zustand mit gewissen Wahrscheinlichkeiten auftreten. Die Aufgabe besteht meist darin, aus der beobachteten Sequenz der Emissionen zu wahrscheinlichkeitstheoretischen Aussagen über die verborgenen Zustände zu kommen. Wichtige Anwendungsgebiete sind Spracherkennung, Computerlinguistik und die Bioinformatik, aber unter anderem auch Spamfilter, Gestenerkennung in der Mensch-Maschine-Kommunikation (Robotik), Schrifterkennung und Psychologie. (de)
|
| dbo:originalTitle
|
- Speaker-Independent Phone Recognition Using Hidden Markov Models (de)
- Speaker-Independent Phone Recognition Using Hidden Markov Models (de)
|
| dbo:thumbnail
| |
| dbo:wikiPageExternalLink
| |
| dbo:wikiPageID
| |
| dbo:wikiPageRevisionID
| |
| prop-de:autor
|
- Kai-Fu Lee, Hsiao-Wuen Hon
|
| prop-de:band
|
- IEEE Transactions on accoustics, speech and signal processing
|
| prop-de:jahr
| |
| prop-de:kommentar
|
- IEEE Nr. 8930533, 0096-3518/89/1100-1641
|
| prop-de:monat
| |
| prop-de:nummer
| |
| prop-de:sprache
| |
| dc:publisher
| |
| dct:subject
| |
| bibo:pages
| |
| rdf:type
| |
| rdfs:comment
|
- Das Hidden Markov Model (englisch, HMM) ist ein stochastisches Modell, in dem ein System durch eine Markow-Kette – benannt nach dem russischen Mathematiker A. A. Markow – mit unbeobachteten Zuständen modelliert wird.Ein HMM kann dadurch als einfachster Spezialfall eines dynamischen bayesschen Netzes angesehen werden. Wichtige Anwendungsgebiete sind Spracherkennung, Computerlinguistik und die Bioinformatik, aber unter anderem auch Spamfilter, Gestenerkennung in der Mensch-Maschine-Kommunikation (Robotik), Schrifterkennung und Psychologie. (de)
- Das Hidden Markov Model (englisch, HMM) ist ein stochastisches Modell, in dem ein System durch eine Markow-Kette – benannt nach dem russischen Mathematiker A. A. Markow – mit unbeobachteten Zuständen modelliert wird.Ein HMM kann dadurch als einfachster Spezialfall eines dynamischen bayesschen Netzes angesehen werden. Wichtige Anwendungsgebiete sind Spracherkennung, Computerlinguistik und die Bioinformatik, aber unter anderem auch Spamfilter, Gestenerkennung in der Mensch-Maschine-Kommunikation (Robotik), Schrifterkennung und Psychologie. (de)
|
| rdfs:label
|
- Hidden Markov Model (de)
- Hidden Markov Model (de)
|
| owl:sameAs
| |
| prov:wasDerivedFrom
| |
| foaf:depiction
| |
| foaf:isPrimaryTopicOf
| |
| is dbo:wikiPageDisambiguates
of | |
| is dbo:wikiPageRedirects
of | |
| is foaf:primaryTopic
of | |
