اطلاعیه

Collapse
No announcement yet.

مدل مخفی مارکف

Collapse
X
 
  • فیلتر
  • زمان
  • Show
Clear All
new posts

    مدل مخفی مارکف

    با سلام خدمت دوستان گرامی
    پایان نامه من در مورد تشخیص هویت از تصویر عنبیه مبتنی بر الگوریتم HMM می باشد.
    تحقیقات زیادی در مورد این روش کردم . بردار ویژگی ها یا به عبارتی مشاهدات رو بدست اوردم و از طریق hmmtrain تخمین هایی برای بردار Trans و Emis زدم.
    اکنون از چه روشی برای جهت تشخیص میزان تشابه دو عنبیه استفاده کنم؟ در MATLAB روش خاصی نیافتم . در مقالات مختلف از روش پیشرو-پسرو نام برده شده است که نمونه استفاده آن را ندیده ام . مقایسه مستقیم بردارهای به دست آمده از HMMTRAIN هم نتیجه خاصی نداد .

    در صورت امکان من را راهنمایی نمایید .


    با تشکر
    بازیه ز ندگی اون نیست که تاسه خوب بیاری , اینه که تاسه بد رو خوب بازی کنی

    #2
    پاسخ : مدل مخفی مارکف

    اگر درست متوجه سوالتون شده باشم:
    برای مقایسه دو بردار یک یا دو بعدی میشه از mean square error و موارد مشابه استفاده کرد. فکر کنم برای کار شما میتونه مفید باشه یا مثلا کورلیشن دو عکس یا ماتریس ویژگی رو بگیرید.
    It's nice to be important but it's important to be nice!

    از اینکه نمی رسم جواب دوستان را بدم معذرت می خوام.

    دیدگاه


      #3
      پاسخ : مدل مخفی مارکف

      ممنون
      الگوریتم مورد استفاده من مدل پنهان مارکف است . و الا روش های دیگر قابل اجرا می باشد . اصلا مهم نیست عنبیه یا چیز دیگری باشد . مهم اعمال کردن مدل مارکف می باشد .
      بازیه ز ندگی اون نیست که تاسه خوب بیاری , اینه که تاسه بد رو خوب بازی کنی

      دیدگاه


        #4
        پاسخ : مدل مخفی مارکف

        سلام ..

        ترکیب دو موضوعی که شما به اون اشاره کردید، خیلی آشنای من نیست، امــا برای استفاده از HMM یکی از منابع کاربردی بسیار خوب در این آدرس قابل دسترسی هست .. در مورد توضیح کمی بیشتر هم میتونید از ادامه ی این صفحه استفاده کنید که مطالب رو به صورت خرد خرد و پله پله مطرح کرده .. پکیج دیگری هم میتونید در این آدرس دانلود کنید و در کنار پکیج قبل، نتایج اونها رو با هم مقایسه و بررسی کنید .. درست هست که کاربردهای این لینک و یا این لینک و حتی این لینک، با اون چیزی که دقیقا شما پیاده سازی میکنید، ممکن هست که متفاوت باشه، امــا ایده ی HMM در Pattern Recognition رو به صورت کاربردی نشون میده و از این جهت شاید برای طرح شما مفید باشه .. همچنین فصل 13 این کتاب بسیار خوب در مورد HMM و برخی تکنیک های کاربردی اون در مسائل مختلف بحث کرده و از این جهت هست که میتونه بسیار مفید باشه .. برای ساده کردن مدل طویل Markov Chain میتونید از N-Gram ها هم استفاده کنید .. در Word prediction برای مثال، Bi-gram و یا حتی Tri-gram بسیار مراحل محاسباتی رو ساده میکنه .. موفق و سلامت و شاد باشید ..
        دوستان! مدتی کمتر به سایت میام ..

        دیدگاه

        لطفا صبر کنید...
        X