比浏览器更快的访问！
27 关系: Apertium，基因预测，卡尔曼滤波，声学模型，安德雷·马尔可夫，人工智能史，二級結構，內部外部演算法，统计机器翻译，维特比算法，生成模型，隱馬可夫模型，隱藏馬可夫模型，马尔可夫链，计算尺，语音识别，自然语言处理，長短期記憶，虛擬助理，Hidden Markov model，HMM，Pfam，Sinsy，條件隨機域，情感计算，手势识别，拓扑结构域。
Apertium
Apertium是一個機器翻譯平台，由西班牙政府和加泰羅尼亞自治政府撥款支持阿利坎特大學開發，為一個以GNU通用公共許可證條件發行的自由軟件。 Apertium原是計劃中其中一個機器翻譯引擎，原意為關係密切的語言之間互相翻譯。不過現在Apertium已經發展到可以為分野較大的語言之間翻譯。要創立一套新的語言翻譯系統，只需將有關語言的相關資料，即字典與文法規則，放入既定的XML格式便可。 阿利坎特大學與維戈大學、加泰羅尼亞理工大學、 Pompeu Fabra大學合作，Apertium現已有下列語言的相關資料：西班牙中的羅曼語族語言如西班牙語、加泰羅尼亞語和加里西亞語、英語、葡萄牙語、法語、奧克西唐語以及羅馬尼亞語。 Apertium是一種轉化原則法的機器翻譯系統。字詞翻譯時會用有限狀態置換器，詞性辨別時會用隐马尔可夫模型。.
新！!: 隐马尔可夫模型和Apertium · 查看更多 »
基因预测
基因识别，是生物信息学的一个重要分支，使用生物学实验或计算机等手段识别DNA序列上的具有生物学特征的片段。基因识别的对象主要是蛋白质编码基因，也包括其他具有一定生物学功能的因子，如RNA基因和调控因子。基因识别是基因组研究的基础。 在早期，基因识别的主要手段是基于活的细胞或生物的实验。通过对若干种不同基因的同源重组的速率的统计分析，我们能够获知它们在染色体上的顺序。若进行大量类似的分析，我们可以确定各个基因的大致位置。现在，由于人类已经获得了巨大数量的基因组信息，依靠较慢的实验分析已不能满足基因识别的需要，而基于计算机算法的基因识别得到了长足的发展，成为了基因识别的主要手段。 识别具有生物学功能的片段与判定该片段（或其对应的产品）的功能是两个不同的概念，后者通常需要通过基因敲除等的实验手段来决定。不过，生物信息学的前沿研究正在使得由基因序列预测基因功能变得愈发可能。.
新！!: 隐马尔可夫模型和基因预测 · 查看更多 »
卡尔曼滤波
卡尔曼滤波（Kalman filter）是一种高效率的递归滤波器（自回归滤波器），它能够从一系列的不完全及包含雜訊的测量中，估计动态系统的状态。卡尔曼滤波會根據各測量量在不同時間下的值，考慮各時間下的联合分布，再產生對未知變數的估計，因此會以只以單一測量量為基礎的估計方式要準。卡尔曼濾波得名自主要貢獻者之一的鲁道夫·卡尔曼。 卡尔曼滤波在技術領域有許多的應用。常見的有飛機及太空船的。卡尔曼滤波也廣為使用在時間序列的分析中，例如信号处理及计量经济学中。卡尔曼滤波也是機器人運動規劃及控制的重要主題之一，有時也包括在。卡尔曼滤波也用在中軸神經系統運動控制的建模中。因為從給與運動命令到收到感覺神經的回授之間有時間差，使用卡尔曼滤波有助於建立符合實際的系統，估計運動系統的目前狀態，並且更新命令。 卡尔曼滤波的演算法是二步驟的程序。在估計步驟中，卡尔曼滤波會產生有關目前狀態的估計，其中也包括不確定性。只要觀察到下一個量測（其中一定含有某種程度的誤差，包括隨機雜訊）。會透過加權平均來更新估計值，而確定性越高的量測加權比重也越高。演算法是迭代的，可以在中執行，只需要目前的輸入量測、以往的計算值以及其不確定性矩陣，不需要其他以往的資訊。 使用卡尔曼滤波不用假設誤差是正态分布，不過若所有的誤差都是正态分布，卡尔曼滤波可以得到正確的條件機率估計。 也發展了一些擴展或是廣義的卡尔曼滤波，例如運作在非線性糸統的及无损卡尔曼滤波（unscented Kalman filter）。底層的模型類似隐马尔可夫模型，不過的狀態空間是連續的，而且所有潛在變量及可觀測變數都是正态分布.
新！!: 隐马尔可夫模型和卡尔曼滤波 · 查看更多 »
声学模型
声学模型是语音识别系统中最为重要的部分之一，目前的主流系统多采用隐马尔科夫模型进行建模。 隐马尔可夫模型的概念是一个离散时域有限状态自动机，隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值只与当前状态（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、维特比算法和前向后向算法。.
新！!: 隐马尔可夫模型和声学模型 · 查看更多 »
安德雷·马尔可夫
安德雷·安德耶维齐·马尔可夫（Андрей Андреевич Марков，），生於俄羅斯帝國梁赞，数学家。 马尔可夫的父亲是一位中级官员，馬可夫出生在梁赞，后来举家迁往圣彼得堡。1874年马尔可夫入圣彼得堡大学，师从切比雪夫，毕业后留校任教。1886年当选为圣彼得堡科学院院士。马尔可夫的主要研究领域在概率和统计方面。他的研究开创了随机过程这个新的领域，以他的名字命名的马尔可夫链在现代工程、自然科学和社会科学各个领域都有很广泛的应用。 马尔可夫1922年逝世于圣彼得堡。 马尔可夫的儿子A·A·小马尔可夫也是一位著名数学家。.
新！!: 隐马尔可夫模型和安德雷·马尔可夫 · 查看更多 »
人工智能史
人工智能的历史源远流长。在古代的神话传说中，技艺高超的工匠可以制作人造人，并为其赋予智能或意识。现代意义上的AI始于古典哲学家用机械符号处理的观点解释人类思考过程的尝试。20世纪40年代基于抽象数学推理的可编程数字计算机的发明使一批科学家开始严肃地探讨构造一个电子大脑的可能性。 1956年，在达特茅斯学院举行的一次会议上正式确立了人工智能的研究领域。会议的参加者在接下来的数十年间是AI研究的领军人物。他们中有许多人预言，经过一代人的努力，与人类具有同等智能水平的机器将会出现。同时，上千万美元被投入到AI研究中，以期实现这一目标。 研究人员发现自己大大低估了这一工程的难度，人工智慧史上共出現過好幾次低潮。由于James Lighthill爵士的批评和国会方面的压力，美国和英国政府于1973年停止向没有明确目标的人工智能研究项目拨款。七年之后受到日本政府研究规划的刺激，美国政府和企业再次在AI领域投入数十亿研究经费，但这些投资者在80年代末重新撤回了投资。AI研究领域诸如此类的高潮和低谷不断交替出现；至今仍有人对AI的前景作出异常乐观的预测。 尽管在政府官僚和风投资本家那里经历了大起大落，AI领域仍在取得进展。某些在20世纪70年代被认为不可能解决的问题今天已经获得了圆满解决并已成功应用在商业产品上。与第一代AI研究人员的乐观估计不同，具有与人类同等智能水平的机器至今仍未出现。图灵在1950年发表的一篇催生现代智能机器研究的著名论文中称，“我们只能看到眼前的一小段距离……但是，我们可以看到仍有许多工作要做”。.
新！!: 隐马尔可夫模型和人工智能史 · 查看更多 »
二級結構
蛋白質二級結構（Protein secondary structure）在生物化學及結構生物學中，是指一個生物大分子，如蛋白質及核酸（DNA或RNA），局部區段的三維通式。然而它並不描述任何特定的原子位置（在三級結構中描述）。 二級結構是由生物大分子在原子分辨率結構中所观察到的氫鍵來定義的。蛋白質的二級結構通常是以主鏈中氨基之間的氫鍵模式來定義〈与主链－侧链间以及侧链－侧链间的氢键无关〉，亦即DSSP的定義。而核酸的二級結構是以鹼基之間的氫鍵來定義。 在二级结构中，特定的氫鍵模式往往伴随着其他一些結構特徵；但如果只考虑这些结构特征而忽略氢键本身，则会导致所定義的二級結構不准确。例如，蛋白質的螺旋中的残基都分布在拉氏图（以主鏈二面角为坐标）的特定區域，因此二面角位于这一区域的残基都會被认为参与形成「螺旋」，而不論它是否真正的存在对应氫鍵。其他稍微不准确的定義多是應用曲線微分幾何的觀念，如曲率及扭量。也有一些結構生物學家以肉眼观察通过软件显示的蛋白质结构來決定其二級結構。 對生物大分子的二級結構含量可以以光譜來初步估計。對於蛋白質，最常用的方法是圓二色性(Circular dichroism), （利用長紫外線，波長范围170-250nm）。在获得的光谱吸收曲线上，α螺旋結構会在208nm及222nm两处同时出现极小值，而204nm和207nm处出现单个极小值則分別表示存在无规卷曲和β折疊結構。另一個較常用的方法是紅外光譜，它可以偵測因氫鍵所造成胺基的震盪。而光譜中，测定二級結構最準確的方法是利用核磁共振光谱所纪录的化學位移，由于仪器和样品制备上的原因，这一方法较为少用。.
新！!: 隐马尔可夫模型和二級結構 · 查看更多 »
內部外部演算法
內部外部演算法（英語：inside-outside algorithm）是一種重新檢驗隨機上下文無關文法（probabilistic context-free grammar）生成機率的方式，由James K. Baker 於1979年提出，是一個一般化的向前向後演算法，用來作為隨機上下文無關文法其隱馬爾可夫模型的屬性評估。這種演算法是用來計算某種期望值，舉例來說，可以用來成為最大期望算法（一種無監督的學習演算法）的一部分。.
新！!: 隐马尔可夫模型和內部外部演算法 · 查看更多 »
统计机器翻译
统计机器翻译（Statistical Machine Translation，简写为SMT）是机器翻译的一种，也是目前非限定领域机器翻译中性能较佳的一种方法。统计机器翻译的基本思想是通过对大量的平行语料进行统计分析，构建统计翻译模型，进而使用此模型进行翻译。从早期基于词的机器翻译已经过渡到基于短语的翻译，并正在融合句法信息，以进一步提高翻译的精确性。 2016年前Google翻译的大部分语言对采用的都是统计机器翻译的方法。而Google亦在此本领域保持领先地位，在美国国家标准局组织的机器翻译评测中遥遥领先。但Google翻译在2016年11月开始使用神經機器翻譯作为主要翻译系统，并开发了Google神經機器翻譯系統。此外，常用的基于统计法机器翻译的系统还包括Bing翻译和百度翻译等。 统计机器翻译的首要任务是为语言的产生构造某种合理的统计模型，并在此统计模型基础上，定义要估计的模型参数，并设计参数估计算法。早期的基于词的统计机器翻译采用的是噪声信道模型，采用最大似然准则进行无监督训练，而近年来常用的基于短语的统计机器翻译则采用区分性训练方法，一般来说需要参考语料进行有监督训练。.
新！!: 隐马尔可夫模型和统计机器翻译 · 查看更多 »
维特比算法
维特比算法（Viterbi algorithm）是一种动态规划算法。它用于寻找最有可能产生观测事件序列的维特比路径——隐含状态序列，特别是在马尔可夫信息源上下文和隐马尔可夫模型中。 术语“维特比路径”和“维特比算法”也被用于寻找观察结果最有可能解释相关的动态规划算法。例如在统计句法分析中动态规划算法可以被用于发现最可能的上下文无关的派生（解析）的字符串，有时被称为“维特比分析”。 维特比算法由安德鲁·维特比（Andrew Viterbi）于1967年提出，用于在数字通信链路中解卷积以消除噪音。 此算法被广泛应用于CDMA和GSM数字蜂窝网络、拨号调制解调器、卫星、深空通信和802.11无线网络中解卷积码。现今也被常常用于语音识别、关键字识别、计算语言学和生物信息学中。例如在语音（语音识别）中，声音信号做为观察到的事件序列，而文本字符串，被看作是隐含的产生声音信号的原因，因此可对声音信号应用维特比算法寻找最有可能的文本字符串。.
新！!: 隐马尔可夫模型和维特比算法 · 查看更多 »
生成模型
在概率统计理论中, 生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成模型可以用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯定理形成。 香农 (1948) 给出了有一个英语双词频率表生成句子的例子。可以生成如“representing and speedily is an good”这种句子。一开始并不能生成正确的英文句子，但随着词频表由双词扩大为三词甚至多词，生成的句子也就慢慢的成型了。 生成模型的定义与判别模型相对应：生成模型是所有变量的全概率模型，而判别模型是在给定观测变量值前提下目标变量条件概率模型。因此生成模型能够用于模拟（即生成）模型中任意变量的分布情况，而判别模型只能根据观测变量得到目标变量的采样。判别模型不对观测变量的分布建模，因此它不能够表达观测变量与目标变量之间更复杂的关系。因此，生成模型更适用于无监督的任务，如分类和聚类。 典型的生成模型包括.
新！!: 隐马尔可夫模型和生成模型 · 查看更多 »
隱馬可夫模型
#重定向 隐马尔可夫模型.
新！!: 隐马尔可夫模型和隱馬可夫模型 · 查看更多 »
隱藏馬可夫模型
#重定向 隐马尔可夫模型.
新！!: 隐马尔可夫模型和隱藏馬可夫模型 · 查看更多 »
马尔可夫链
尔可夫链（Markov chain），又稱離散時間馬可夫鏈（discrete-time Markov chain，縮寫為DTMC），因俄國數學家安德烈·马尔可夫（Андрей Андреевич Марков）得名，为狀態空間中经过从一个状态到另一个状态的转换的随机过程。该过程要求具备“无记忆”的性质：下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。这种特定类型的“无记忆性”称作馬可夫性質。马尔科夫链作为实际过程的统计模型具有许多应用。 在马尔可夫链的每一步，系统根据概率分布，可以从一个状态变到另一个状态，也可以保持当前状态。状态的改变叫做转移，与不同的状态改变相关的概率叫做转移概率。随机漫步就是马尔可夫链的例子。随机漫步中每一步的状态是在图形中的点，每一步可以移动到任何一个相邻的点，在这里移动到每一个点的概率都是相同的（无论之前漫步路径是如何的）。.
新！!: 隐马尔可夫模型和马尔可夫链 · 查看更多 »
计算尺
算尺（slide rule），或计算尺，即对数计算尺，是一种模擬計算機，通常由三个互相锁定的有刻度的长条和一个滑动窗口（称为游标）组成。在1970年代之前使用广泛，之后被电子计算器所取代，成为过时技术。.
新！!: 隐马尔可夫模型和计算尺 · 查看更多 »
语音识别
语音识别（speech recognition；語音辨識／言語辨別）技术，也被称为自动语音识别（Automatic Speech Recognition, ASR）、電腦語音識別（Computer Speech Recognition）或是語音轉文本識別（Speech To Text, STT），其目标是以電腦自動将人类的语音内容转换为相應的文字。与及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。 语音识别技术的应用包括语音拨号、语音导航、室内设备控制、语音文档检索、简单的听写数据录入等。语音识别技术与其他自然语言处理技术如机器翻译及语音合成技术相结合，可以构建出更加复杂的应用，例如语音到语音的翻译。 语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。.
新！!: 隐马尔可夫模型和语音识别 · 查看更多 »
自然语言处理
自然語言處理（natural language processing，缩写作 NLP）是人工智慧和語言學領域的分支學科。此領域探討如何處理及運用自然語言；自然語言認知則是指讓電腦「懂」人類的語言。 自然語言生成系統把計算機數據轉化為自然語言。自然語言理解系統把自然語言轉化為計算機程序更易于處理的形式。.
新！!: 隐马尔可夫模型和自然语言处理 · 查看更多 »
長短期記憶
长短期记忆（Long Short-Term Memory，LSTM）是一种时间递归神经网络（RNN），论文首次发表于1997年。由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。 LSTM的表现通常比时间递归神经网络及隐马尔科夫模型（HMM）更好，比如用在不分段连续手写识别上。2009年，用LSTM构建的人工神经网络模型赢得过ICDAR手写识别比赛冠军。LSTM还普遍用于自主语音识别，2013年運用TIMIT自然演講資料庫達成17.7%錯誤率的紀錄。作为非线性模型，LSTM可作为复杂的非线性单元用于构造更大型深度神经网络。.
新！!: 隐马尔可夫模型和長短期記憶 · 查看更多 »
虛擬助理
虛擬助理（virtual assistant）是一種能替個人執行任務或服務的軟體代理（software agent）。有時候「聊天機器人」泛指虛擬助理，亦或專指網路聊天使用的軟體機器人（有時候更專指娛樂而非實用的網絡聊天）。但也可以指一種職業，或者企業組織，其乃是透過網路執行遠端服務。 至2017年，隨著新產品進入市場，虛擬助理的功能與運用正快速擴張。一項2017年5月的線上調查顯示，美國的市佔率依次為蘋果 Siri（34%）、Google個人助理（19%）、（6%）及微軟Cortana（4%）。搭載這些助理的也有著巨大的變化；蘋果直到2017年6月才宣布其智慧揚聲器。臉書的 預計2017年在 Facebook Messenger 上會有數億的用量。https://venturebeat.com/2016/12/30/2016-chat-wars-are-over-amazon-won/ 大量的智慧手機用戶安裝了蘋果和 Google的助理，微軟則是在視窗的PC上 （Cortana 也可安裝於手機和智慧揚聲器）；Amazon Alexa 則是首先具備線上訂購的功能。.
新！!: 隐马尔可夫模型和虛擬助理 · 查看更多 »
Hidden Markov model
#重定向 隐马尔可夫模型.
新！!: 隐马尔可夫模型和Hidden Markov model · 查看更多 »
HMM
HMM作為縮寫可以指：.
新！!: 隐马尔可夫模型和HMM · 查看更多 »
Pfam
Pfam是一個蛋白質家族資料庫。此資料庫會利用隱馬爾可夫模型進行多重序列比對以及加上蛋白腳註。.
新！!: 隐马尔可夫模型和Pfam · 查看更多 »
Sinsy
Sinsy（しぃんしぃ，全名為Singing Voice Synthesis System）是一個線上隱馬爾可夫模型（HMM）语音合成系統，由名古屋工業大學遵照BSD许可证製作。.
新！!: 隐马尔可夫模型和Sinsy · 查看更多 »
條件隨機域
条件随机场（conditional random field，簡稱 CRF），是一種鑑別式機率模型，是随机场的一种，常用於標注或分析序列資料，如自然語言文字或是生物序列。 如同马尔可夫随机场，條件隨機場為無向性之圖模型，圖中的頂點代表隨機變數，頂點間的連線代表隨機變數間的相依關係，在條件隨機場當中，隨機變數 Y 的分佈為條件機率，給定的觀察值則為隨機變數 X。原則上，條件隨機場的圖模型佈局是可以任意給定的，一般常用的佈局是鏈結式的架構，鏈結式架構不論在訓練（training）、推論（inference）、或是解碼（decoding）上，都存在有效率的演算法可供演算。 條件隨機場跟隱藏式馬可夫模型常被一起提及，條件隨機場對於輸入和輸出的機率分佈，沒有如隱藏式馬可夫模型那般強烈的假設存在。 线性链条件随机场应用于标注问题是由Lafferty等人与2001年提出的。.
新！!: 隐马尔可夫模型和條件隨機域 · 查看更多 »
情感计算
情感计算（Affective computing，亦作--，，或情感AI，）是一个跨学科领域，涉及计算机科学、 心理学和认知科学，旨在研发能够识别、解释、处理、模拟人类情感的系统。虽然该学科最早可追溯至早期的哲学研究，即人们对情绪的剖析，但真正使其成为现代计算机科学分支的，则是1995年罗莎琳·皮卡德发表的关于情感计算的论文。人们研究情感计算很大程度上是为了能够模拟共情——机器应该能够解释人类的情绪状态，做出相适应的行为，对情绪给予恰当的回应。 文本情感分析（）和情感分析的区别在于，前者仅辨识词语的情感极性，后者辨识人类的不同情绪。.
新！!: 隐马尔可夫模型和情感计算 · 查看更多 »
手势识别
在计算机科学中，手势识别是通过数学算法来识别人类手势的一个议题。手势识别可以来自人的身体各部位的运动，但一般是指脸部和手的运动。目前面部表情识别及手势识别成为研究热点。大多数方法采用相机基于计算机视觉算法解释手語。然而，识别人的姿势，步态，行为也是手势识别的一个分支。手势识别可以认为是让计算机理解人体肢体语言的一种手段，因此，人机交互不仅仅是文字接口或者用鼠标键盘控制的用户图像界面，会有更多丰富的途径。.
新！!: 隐马尔可夫模型和手势识别 · 查看更多 »
拓扑结构域
拓扑结构域（Topological domains）或称为拓扑相关结构域（Topologically associating domains，简称TAD）是染色质亚结构的学术名称。类似的定义还包括接触结构域（Contact domain）、DNA环结构域（DNA Loop domain）、等。这一结构最先通过高通量染色质三维构象捕获技术（Hi-C）被发现，之后又被显微成像技术确认。拓扑结构域目前在细菌、真菌、动物和一些植物中都有所发现，一般其尺度约在千到百万DNA碱基。 尽管对拓扑结构域的功能理解尚不明朗，目前学界认为这是染色质施行诸如转录、复制、表观遗传修饰等功能的基本单位。一些证据表明，当拓扑结构域边界被破坏后，较大规模的基因表达会受到影响。.
新！!: 隐马尔可夫模型和拓扑结构域 · 查看更多 »
重定向到这里：
Hidden Markov models，隐Markov模型，隐含马尔科夫模型，隐蔽马尔可夫模型，隐马尔科夫模型，隱馬爾可夫模型。
