Dinamik Bayes sisteminin tanımı ve HMM ile ilişkisi?

Gönderen Wikipedia

Dinamik Bayes Ağı (DBN), değişkenleri bitişik zaman adımları üzerinden ilişkilendiren bir Bayes Ağıdır. Buna genellikle İki Zamanlı BN denir, çünkü T'nin herhangi bir noktasında, bir değişkenin değerinin dahili regresörlerden ve hemen önceki değerden (zaman T-1) hesaplanabileceğini söyler . DBN'ler robotikte yaygındır ve çok çeşitli veri madenciliği uygulamaları için potansiyel göstermiştir. Örneğin, konuşma tanıma, protein dizileme ve biyoinformatik alanlarında kullanılmıştır. DBN'nin Gizli Markov Modelleri ve Kalman Filtrelerine eşdeğer çözümler ürettiği gösterilmiştir.

1. Ben "hemen önceki değer (zaman T-1)" bir DBN zaman dizini her zaman ayrık anlamına gelir merak ediyordum?
2. "T zamanının herhangi bir noktasında, bir değişkenin değeri dahili regresörlerden hesaplanabilir ve hemen önceki değer (zaman T-1)" bir DBN'nin ayrık zamanlı bir Markov işlemi olduğu anlamına mı gelir?

3. Doğru anlarsam, aynı anda çıktıyı yok sayarsa, bir HMM de ayrık zamanlı bir Markov işlemidir. Peki, HMM ve DBN'nin aynı kavram olup olmadığını merak ediyorum. Ancak başka bir Wikipedia makalesi diyor ki

   gizli Markov modeli (HMM), modellenen sistemin gözlemlenmemiş (gizli) durumlara sahip bir Markov süreci olduğu varsayıldığı istatistiksel bir Markov modelidir. Bir HMM en basit dinamik Bayes ağı olarak kabul edilebilir.

   ve ilk makaleden başka bir alıntı var :

   DBN'nin Gizli Markov Modelleri ve Kalman Filtrelerine eşdeğer çözümler ürettiği gösterilmiştir.

Teşekkürler!

Bu iki mükemmel inceleme belgesine bakmanızı tavsiye ederim:

• Zoubin Gharamani'nin Gizli Markov Modellerine ve Bayes Ağlarına Giriş

• Dinamik Bayes Ağları - Kevin Murphy

HMM'ler DBN'lere eşdeğer değildir, bunun yerine dünyanın tüm durumunun tek bir gizli durum değişkeni ile temsil edildiği özel bir DBN örneğidir. DBN çerçevesi içindeki diğer modeller, temel HMM'yi genelleştirerek daha gizli durum değişkenlerine izin verir (birçok çeşit için yukarıdaki ikinci makaleye bakın).

Son olarak, hayır, DBN'ler her zaman ayrık değildir. Örneğin, doğrusal Gauss durum modelleri (Kalman Filtreleri), genellikle uzayda nesneleri izlemek için kullanılan sürekli değerli HMM'ler olarak düşünülebilir.