Beruflich Dokumente
Kultur Dokumente
la ingeniería en computación
Aplicaciones
Elaborado por Landázuri Brambila Álvaro Ulises - Martes 21 de noviembre de 2017
Para cualquier sistema dado, un modelo de Márkov consiste en una lista de posibles
estados de ese sistema, los posibles trayectos de transición entre estos estados, y los
parámetros de rapidez de esas transiciones. En el análisis de confiabilidad las transiciones
usualmente consisten en fallas y reparaciones. Cuando se representa un modelo de Márkov
gráficamente, cada estado se muestra usualmente como una “burbuja”, con flechas
denotando los trayectos de transición entre estados, como se puede apreciar en la figura a
continuación que representa un único componente que posee sólo dos estados: funcionando
y detenido.
Estado 0: λ Estado 1:
Funcionando Detenido
Figura 1: Esta gráfica, también conocida como red Bayesiana, red de confianza, modelo
probabilístico gráfico o red de probabilidad independiente, muestra las dependencias entre las
variables del modelo.
(Ghahramani, 2001)
Los modelos ocultos de Márkov pueden usarse, entre otras cosas, para clasificar formas
en 2D (también denominado reconocimiento de objetos planos). Las formas se representan
por contornos modelados con coeficientes de curvatura: la curvatura es un escalar que
representa un estimado de la segunda derivada del límite de la forma. De esta manera,
empezando en un punto genérico del límite de la figura, un objeto se representa por una
secuencia de coeficientes de curvatura, esto es, una señal de curvatura. Estas representaciones
de formas son usadas para entrenar un modelo oculto de Márkov continuo, donde la
probabilidad de transición de cada estado se representa por una función de Gauss
unidimensional.
El entrenamiento se detiene ante una aparente convergencia de resultados. Cada
modelo oculto de Márkov se inicializa cuidadosamente usando el Modelo de Combinación
de Gauss. El número de estados es estimado usando el Criterio de Inferencia Bayesiano. Este
método escoge el modelo al realizar un análisis de selección de modelos de la fase de
agrupación del modelo de combinación de Gauss, esto es, se escoge la combinación que
mejor se ajusta a los datos recabados. Al final de esta fase, se tiene un modelo oculto de
Márkov λi por cada objeto o forma obji.
( )
l" = arg max P O λi
i
(Bicego, 2003)
Conclusiones
Los modelos ocultos de Márkev son herramientas útiles empleadas en prácticamente
todos los sistemas de reconocimiento de voz, biología molecular, computación gráfica y otros
sistemas de reconocimiento de patrones. Estos modelos se basan en varios conceptos
matemáticos, incluyendo a las ecuaciones diferenciales.
Las ecuaciones diferenciales permiten calcular los parámetros de rapidez de transición
entre distintos estados, y estos a su vez son usados para clasificar formas bidimensionales de
acuerdo a los datos empleados durante el entrenamiento del algoritmo.
Por otro lado, es importante recalcar que existen otros usos de los modelos ocultos de
Márkev mucho más avanzados, como el reconocimiento facial o la detección de las caras de
un objeto tridimensional, pero que utilizan conceptos matemáticos aún fuera de mis
conocimientos actuales.
Espero poder seguir aprendiendo las matemáticas sin las cuales la ingeniería en
computación (y todas las demás) no existiría(n), y también disfrutar la belleza con la que
sistemas sumamente complicados a primera vista tienen aplicaciones prácticas en la vida
cotidiana, para después descubrir que simplemente se basan en una pirámide que se puede
descomponer en principios matemáticos elementales.
Bibliografía
Brown, K. (2016). Markev Models and Reliability. 1st ed. Kevin Brown.
Bicego, M. (2003). Hidden Markov Models for Pattern Recognition and Computer Vision: