Modelos De Markov

4,440 views
4,292 views

Published on

Modelos de Markov

Published in: Technology
1 Comment
0 Likes
Statistics
Notes
  • Trabajo excelente. Bravo. Voto 'UP'. Saludos. Phil
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Be the first to like this

No Downloads
Views
Total views
4,440
On SlideShare
0
From Embeds
0
Number of Embeds
44
Actions
Shares
0
Downloads
88
Comments
1
Likes
0
Embeds 0
No embeds

No notes for slide

Modelos De Markov

  1. 1. Integrantes: Junior Sinche. Marvin Agila.
  2. 2. Modelos Ocultos de Markov
  3. 3. Aplicaciones <ul><li>Modelado de procesos dinámicos, como: </li></ul><ul><ul><li>Reconocimiento de voz </li></ul></ul><ul><ul><li>Reconocimiento de gestos </li></ul></ul>
  4. 4. Reconocimiento de voz <ul><li>Se modela a nivel de palabra o fonema utilizando HMM </li></ul><ul><li>Las observaciones consisten de vectores de características obtenidas del procesamiento de la señal de voz. </li></ul><ul><li>Se utilizan secuencias de voz para el entrenamiento y, posteriormente durante reconocimiento, se obtiene la probabilidad de cada modelo (palabra o fonema), seleccionando la de mayor probabilidad </li></ul>
  5. 5. Reconocimiento de voz t ow m ini mid fin ey t ow aa Palabra: “tomato” Fonema
  6. 6. Reconocimiento de gestos Seguimiento de la mano en una secuencia imágenes
  7. 7. Características <ul><li>Observaciones: </li></ul><ul><ul><li>cambio en X (  X) </li></ul></ul><ul><ul><li>cambio en Y (  Y) </li></ul></ul><ul><ul><li>cambio en área (  A) </li></ul></ul><ul><ul><li>cambio en razón X-Y (  R) </li></ul></ul><ul><li>Cada una se codifica en 3 valores: (+, 0, -) </li></ul>X1,Y,1 X2,Y2 A1 A2
  8. 8. HMM <ul><li>Se utiliza un HMM para cada gesto (5 gestos): </li></ul><ul><ul><li>3 estados: gestos simples </li></ul></ul><ul><ul><li>5 estados: gestos complejos </li></ul></ul>
  9. 9. <ul><li>Imaginémonos que tenemos un amigo que vive lejos y con quien habla a diario por teléfono acerca de lo que hizo durante el día. A su amigo le interesan tres actividades: caminar por la plaza, salir de compras y limpiar su departamento. Lo que su amigo hace depende exclusivamente del estado del tiempo en ese día. Usted no tiene información clara acerca del estado del tiempo donde su amigo vive, pero conoce tendencias generales. Basándose en lo que su amigo le dice que hizo en el día, usted intenta adivinar el estado del tiempo. </li></ul>
  10. 10. <ul><li>Supóngase que el estado del tiempo se comporta como una cadena de Markov discreta. Existen dos estados, &quot;Lluvioso&quot; y &quot;Soleado&quot;, pero usted no los puede observar directamente, es decir, están ocultos . Existe también una cierta posibilidad de que su amigo haga una de sus actividades cada día, dependiendo del estado del tiempo: &quot;caminar&quot;, &quot;comprar&quot; o &quot;limpiar&quot;. Dado que su amigo le cuenta sus actividades del día, esas son las observaciones . El sistema completo es un modelo oculto de Markov. </li></ul>
  11. 11. <ul><li>Usted conoce las tendencias generales del tiempo en el área y lo que a su amigo le gusta hacer. En otras palabras, los parámetros del HMM son conocidos. Pueden escribirse usando Phyton: </li></ul>
  12. 12. <ul><li><source lang=&quot;python&quot;> estados = ('Lluvioso', 'Soleado') </li></ul><ul><li>observaciones = ('caminar', 'comprar', 'limpiar') </li></ul><ul><li>probabilidad_inicial = {'Lluvioso': 0.6, 'Soleado': 0.4} </li></ul><ul><li>probabilidad_transicion = { </li></ul><ul><li>'Lluvioso' : {'Lluvioso': 0.7, 'Soleado': 0.3}, </li></ul><ul><li>'Soleado’: {'Lluvioso': 0.4, 'Soleado': 0.6},} </li></ul><ul><li>probabilidad_emision = </li></ul><ul><li>{ 'Lluvioso' : {'caminar': 0.1, 'comprar': 0.4, 'limpiar': 0.5}, </li></ul><ul><li>'Soleado' : {'caminar': 0.6, 'comprar': 0.3, 'limpiar': 0.1}, } </source> </li></ul>
  13. 13. <ul><li>En esta porción de código, probabilidad_inicial representa el estado en el que usted cree que se encuentra el HMM la primera vez que su amigo lo llama (es decir, sabe que es un poco más probable que esté lluvioso). La distribución de probabilidades que se usó aquí no es la de equilibrio, que es (dadas las probabilidades de transición) aproximadamente {'Lluvioso': 0.571, 'Soleado': 0.429}. </li></ul>
  14. 14. <ul><li>La probabilidad_transicion representa el cambio del tiempo en la cadena de Markov por detrás del modelo. En este ejemplo, hay un 30% de probabilidad de que mañana esté soleado si hoy llovió. La probabilidad_emision representa con cuanta probabilidad su amigo realiza una actividad determinada cada día. Si llueve, hay un 50% de probabilidad de que esté limpiando su departamento; si hay sol, hay un 60% de probabilidades de que haya salido a caminar. </li></ul>
  15. 15. Criptoanálisis. <ul><li>Criptoanálisis (del griego kryptós , &quot;escondido&quot; y analýein , &quot;desatar&quot;) es el estudio de los métodos para obtener el sentido de una información cifrada , sin acceso a la información secreta requerida para obtener este sentido normalmente. Típicamente, esto se traduce en conseguir la clave secreta </li></ul>
  16. 16. Otras Aplicaciones y Usos Actuales. <ul><li>DETECCIÓN DE INTRUSOS EN REDES DE TELECOMUNICACIONES. </li></ul><ul><li>FIRMA MANUSCRITA ON-LINE </li></ul><ul><li>RECONOCEDOR DE COMANDOS ORALES PARA ELIMINAR BARRERAS DE COMUNICACIÓN Y MOVILIDAD EN PERSONAS CON DISCAPACIDADES MOTRICES Y DE COMUNICACIÓN. </li></ul>
  17. 17. Referencias <ul><li>L. R. Rabiner, B. H. Juang, “An introduction to hidden Markov models”, IEEE ASSP, Enero 1986. </li></ul><ul><li>L. R. Rabiner, “A tutorial on hidden Markov Models and selected applications in speech recognition”, IEEE 1989. </li></ul><ul><li>J. K. Kemeny, J. L. Snell, “Finite Markov Chains”, Van Nostrand, 1965. </li></ul>

×