Tento dokument vcetne vsech odkazu pouziva kodovani ISO
8859-2 (Latin-2)
B2M31ZRE cvičení
Rozpoznávání sekvence samohlásek na bázi HMM - část III
Zpětný chod Viterbiho algoritmu
Okupační věrohodnost stavu
Úkoly k vypracování:
- Okupační věrohodnost ve stavech HMM modelu
- Ve vytvořené funkci myviterbi uložte také
matici dopředných pravděpodobností alfa příslušných každému
stavu a časovém okamžiku při průchodu HMM modelem.
- Analogicky k funkci myviterbi vytvořte
také funkci mybackviterbi realizující zpětný výpočet
pravděpodobosti průchodu HMM modelem na bázi Viterbiho
algoritmu (tj. od posledního stavu k prvnímu s
pravděpodobnostmi beta). Vstupem dané funkce bude opět matice příznakových vektorů
(kepster) a zvolený HMM model. Výstupem bude v prvním kroku celková
pravděpodobnost průchodu modelem optimální cestou a
matice pravděpodobností beta v každém stavu a časovém okamžiku.
- 1. kontrolovaný výsledek (bez bodového hodnocení): Zobrazte
pro testovací promluvy P0, P1
a P2 a HMM model AEIOU
- vypočítané dopřené a zpětné pravděpodobnosti průchodu HMM modelem,
- okupační věrohodnost jednotlivých stavů v každém časovém
okamžiku (pozor, je potřeba nastavit stejné měřítko barevné stupnice
pro zobrazení uvedených pravděpodobností pro promluvy P0, P1
a P2).
- Vyzkoušejte výpočet pravděpodobnosti standardní dopřednou
resp. zpětnou procedurou.