Resumen

La secuencia de estado óptima de un Modelo de Markov Oculto de Orden Superior Generalizado (HHMM) se rastrea a partir de una secuencia observacional dada utilizando el algoritmo clásico de Viterbi. Este algoritmo clásico se basa en el criterio de máxima verosimilitud. Introducimos un algoritmo de Viterbi basado en entropía para rastrear la secuencia de estado óptima de un HHMM. La entropía de una secuencia de estados es una cantidad útil, que proporciona una medida de la incertidumbre de un HHMM. No habrá incertidumbre si solo hay una posible secuencia de estado óptima para el HHMM. Este algoritmo de decodificación basado en entropía puede formularse en un enfoque extendido o de reducción. Extendemos el algoritmo basado en entropía para calcular la secuencia de estado óptima que se desarrolló desde un HHMM de primer orden a un HHMM generalizado con una sola secuencia observacional. Este algoritmo extendido realiza el cál

• Materias:Modelar datos Estimadores sesgados Muestreo doble sintético Razón de verosimilitud empírica Diseño adaptativo bayesiano
• Subjects:Modeling data Biased estimators Synthetic double sampling Empirical likelihood ratio Bayesian adaptive design
• Palabras claves:Algoritmo de Viterbi; HHMM; Algoritmo basado en entropía; Secuencia de estados óptima; Complejidad computacional; Secuencia observacional
• Keywords:Viterbi algorithm; Hhmm; Entropy-based algorithm; Optimal state sequence; Computational complexity; Observational sequence