动态排放下的序列数据分类

摘要 序列数据无处不在，广泛应用于几乎所有领域。我们旨在从顺序数据分析，特别是分类的角度来考虑医疗、计量和运动捕捉类型的应用。我们考虑了两种情况。第一种情况是从通过初始序列数据数据库开始，在动态治疗机制问题的情况下，对一组类别--患者的医疗条件--进行训练/学习。在对新病人进行自动分类时，将使用这一学习程序。在开始下一步，即第二步之前，我们会根据学习到的分类算法形成混淆矩阵，并形成过渡矩阵，过渡矩阵可以通过两种方式获得：通过原始数据库和通过训练算法分类的数据。第二步的目的是借助额外的隐马尔可夫模型（HMM）修正原始分类，该模型以上述两个矩阵为过渡矩阵和排放矩阵。数据库（花架集，即训练集）具有网格结构。部分花架轨迹以目标类别为终点（在动态处理系统应用中很重要，有时与健康类别相关）。应用于训练集的训练分类法可以改变以目标类别为终点的轨迹集，这也是该算法的性能指标之一。下一种情况也是基于 HMM 模型。如果将网格轨迹视为观测序列，那么 HMM 可以通过生成一个互补序列来改进该序列，这与 HMM 的维特比状态序列类似。它还能改变以目标类别为终点的轨迹集，这就形成了下一个性能指标，这次是针对 HMM 程序的。收敛到目标类别的特征是过渡矩阵的度数收敛到这种矩阵的简单特例。或者，通过提取收敛矩阵的根，可以得到过渡矩阵的相应特征，从而保证收敛。这项工作主要是方法论方面的，而不是创新方面的，是对我们之前关于目标类分类主题工作的补充。在这项工作的实验部分，我们考虑了与目标类别分类策略相对应的面向根的有向无环图。在该图的模型上，随机生成一组轨迹，形成所谓的合成训练集，即合成树状图。