Modelos Ocultos de Harkov

agosto 9, 2008 in ECC, ECCUTPL, IAA, UTPL

Los modelos ocultos de Markov (HMM) desempeñan un función importante el desarrollo de herramientas para la modelización altamente flexible, inicialmente utilizada en el campo del reconocimiento automático del habla, que ha encontrado en los últimos años numerosas aplicaciones en áreas científico-técnicas muy diversas, aunque su utilización en otras áreas es escasa. Dentro de la descripción de los elementos esenciales de los HMM, se presentan los algoritmos básicos que facilitan su estimación y se indica una herramienta reciente, para las posibilidades que puedan ofrecer un análisis de patrones espaciales complejos, pues permiten incorporar en el proceso de modelización información a priori sobre el sistema analizado.

En las áreas en las que los HMM están más extendidos, se utilizan, en general, con un enfoque de aprendizaje automático, en problemas en los que se dispone de una abundante base de datos (denominados de entrenamiento) con los que es posible seleccionar y estimar el HMM más apropiado (a veces, con un gran número de estados ocultos), obteniéndose modelos con una alta capacidad de predicción, pues el problema típico es clasificar o identificar nuevos datos.[1]

Los algoritmos necesarios para los HMM discretos son fácilmente implementables, la complejidad aumenta en el caso continuo y en las extensiones a los modelos básicos. Afortunadamente, existen distintas herramientas para el trabajo con HMM disponibles, muchas de ellas de uso libre, para diferentes entornos de computación [2]

El programa comercial MATLAB (http://www.mathworks.com/products/matlab/), en su paquete (toolbox) de estadística, ofrece las funciones básicas para construir, simular y analizar HMM discretos.

Mediante la creación de redes neuronales con las herramientas: JNNS (Java Neural Network Simulator), JHMMSim (Java Hidden Harkov Model Simulator).

Esta herramienta desarrollada por Relex, es una herramienta flexible, de gran alcance para modelar sistemas complejos, Relex Markov ® proporciona una muy buena capacidad de análisis de las cadenas ocultas de Markov en una forma fácil de usar, completo paquete. Relex Markov provides fast, accurate reliability analyses for complex systems with common cause failures, degradation, induced or dependent failures, multi-operational state components, and other sequence-dependent events. Relex Markov proporciona una rápida, análisis de fiabilidad de sistemas complejos con los fallos por causa común, la degradación, inducidos o fracasos dependen de múltiples componentes operativos, y otros que dependen de secuencia de eventos.

Características y Beneficios de Tecnic. Markov

• Estado de transición diagramas
• Eventos dependientes
• Degradamientos, y los Estados fallidos
• Flujo de resultados en el estado estable
• Los fallos por causa común
• Inducida por los fracasos
• Sistema de degradación
• Multi-operational state components Multi-Estado de funcionamiento componentes
• Cost analysis Análisis de costos.

Figura 1.- El desarrollador de Relaciones Markov calcula las cifras de la dinámica de árboles que falta construir utilizando Relex Fault Tree. [4]

Figura 2.- Sistema de estados y transiciones son fácilmente diagramados, los parámetros pueden ser asignados con simplicidad y haciendo clic en las operacion

Juan Pablo Pizarro.