6. Bố cục của luận văn
3.4Nhận xét và các nội dung tiếp cận của luận văn
Trong quá trình tìm hiểu cho thấy, mô hình Markov ẩn được ứng dụng trong nhiều lĩnh vực như: nhận dạng giọng nói, trong lĩnh vực sinh học như nhận dạng gene hoặc phân loại protein, xử lý hình ảnh, ... Tuy nhiên, đối với các khái niệm cơ bản và các bài toán mô hình Markov ẩn, đặc biệt là bài toán huấn luyện (bài toán 3) chủ yếu được nghiên cứu, phát triển cho các các ứng dụng phục vụ nhận dạng tiếng nói. Cụ thể như:
- Huấn luyện một HMM từ nhiều chuỗi dữ liệu quan sát.
- Huấn luyện nhiều HMM từ nhiều chuỗi dữ liệu quan sát. Trong đó mỗi HMM được huấn luyện tương ứng với 01 chuỗi dữ liệu quan sát.
- Huấn luyện nhiều HMM từ nhiều chuỗi dữ liệu quan sát. Trong đó các HMM được huấn luyện tương ứng với nhiều chuỗi dữ liệu quan sát.
Như vậy, xét trường hợp cụ thể của luận văn là huấn luyện HMM từ chuỗi dữ liệu quan sát là chuỗi các ký tự thì chưa có nghiên cứu và phân tích để đề xuất phương pháp huấn luyện nào tốt. Mặc dù, Igino Corona [2] và Cheng [3] đã đưa huấn luyện HMM trong nghiên cứu của mình, nhưng cũng chỉ cung cấp thông tin cơ bản về huấn luyện HMM mà không đi vào chi tiết các kỹ thuật huấn luyện HMM cụ thể.
Do đó, tôi sẽ tiến hành cài đặt, thử nghiệm, phân tích và đánh giá các phương pháp huấn luyện HMM với dữ liệu huấn luyện các chuỗi các ký tự, từ đó sẽ đề xuất phương pháp phù hợp cho bài toán nhận dạng các bất thường đối với các ứng dụng web trong luận văn.
CHƯƠNG 4: ỨNG DỤNG MÔ HÌNH MARKOV ẨN TRONG NHẬN DẠNG TRUY VẤN BẤT THƯỜNG