دانلود کتاب Inference in Hidden Markov Models

ترجمه فارسی توضیحات (ترجمه ماشینی)

استنتاج در مدل های پنهان مارکوف

مدل‌های پنهان مارکوف به دسته‌ای از مدل‌های آماری پرکاربرد تبدیل شده‌اند که در زمینه‌های مختلفی مانند مهندسی ارتباطات، بیوانفورماتیک، امور مالی و بسیاری موارد دیگر کاربرد دارند. این کتاب درمان جامع استنتاج برای مدل‌های پنهان مارکوف، شامل الگوریتم‌ها و تئوری آماری است. موضوعات از فیلتر کردن و هموارسازی زنجیره مارکوف پنهان گرفته تا تخمین پارامتر، روش‌های بیزی و تخمین تعداد حالت‌ها را شامل می‌شود. کتاب به روشی یکپارچه هر دو مدل را با فضاهای حالت محدود پوشش می‌دهد، که امکان الگوریتم‌های دقیق برای فیلتر کردن، تخمین و غیره را فراهم می‌کند. و مدل‌هایی با فضاهای حالت پیوسته (که مدل‌های فضای حالت نیز نامیده می‌شوند) که به الگوریتم‌های مبتنی بر شبیه‌سازی تقریبی نیاز دارند که به تفصیل نیز توضیح داده شده‌اند. شبیه‌سازی در مدل‌های پنهان مارکوف در پنج فصل مختلف ارائه می‌شود که هر دو رویکرد مونت کارلوی زنجیره مارکوف و رویکردهای مونت کارلوی متوالی را پوشش می‌دهند. مثال‌های زیادی الگوریتم‌ها و نظریه‌ها را نشان می‌دهند. این کتاب همچنین به دقت مدل‌های فضای حالت-خطی گاوسی و بسط آن‌ها را بررسی می‌کند و شامل فصلی درباره نظریه کلی زنجیره مارکوف و جنبه‌های احتمالی مدل‌های پنهان مارکوف است.

Inference in Hidden Markov Models

Hidden Markov models have become a widely used class of statistical models with applications in diverse areas such as communications engineering, bioinformatics, finance and many more. This book is a comprehensive treatment of inference for hidden Markov models, including both algorithms and statistical theory. Topics range from filtering and smoothing of the hidden Markov chain to parameter estimation, Bayesian methods and estimation of the number of states.In a unified way the book covers both models with finite state spaces, which allow for exact algorithms for filtering, estimation etc. and models with continuous state spaces (also called state-space models) requiring approximate simulation-based algorithms that are also described in detail. Simulation in hidden Markov models is addressed in five different chapters that cover both Markov chain Monte Carlo and sequential Monte Carlo approaches. Many examples illustrate the algorithms and theory. The book also carefully treats Gaussian linear state-space models and their extensions and it contains a chapter on general Markov chain theory and probabilistic aspects of hidden Markov models.