Utilisation du modèle de Markov caché pour la conception d'un lecteur mp3 AI

Question

Je travaille sur une mission, où je veux concevoir une IA pour un lecteur mp3. L'IA doit être formée et conçue avec l'utilisation d'une méthode HMM. Le lecteur MP3 doit avoir la capacité de s'adapter à son utilisateur, en analysant les données biologiques des capteurs entrants, et à partir de ces données, le lecteur MP3 choisira un genre pour la chanson suivante. Donné dans la tâche est de 14 échantillons de données:

Un échantillon comprend la fréquence cardiaque, la respiration, la conductivité de la peau, l'activité et enfin le genre de sortie. Voici les 14 échantillons de données, juste pour vous faire une idée de ce que je parle.

 
Sample HR  RSP SC  Activity Genre 
S1  Medium Low High Low  Rock 
S2  High Low Medium High  Rock 
S3  High High Medium Low  Classic 
S4  High Medium Low Medium Classic 
S5  Medium Medium Low Low  Classic 
S6  Medium Low High High  Rock 
S7  Medium High Medium Low  Classic 
S8  High Medium High Low  Rock 
S9  High High Low Low  Classic 
S10 Medium Medium Medium Low  Classic 
S11 Medium Medium High High  Rock 
S12 Low Medium Medium High  Classic 
S13 Medium High Low Low  Classic 
S14 High Low Medium High  Rock 

Mon temps de travail en ce qui concerne HMM est assez faible, donc ma question est de savoir si je suis arrivé à l'angle droit sur la cession.

J'ai trois états différents pour chaque capteur: faible, moyen, élevé. Deux observations/symboles de sortie: Rock, Classic

À mon avis, je considère mes probabilités de départ comme les facteurs les plus élevés pour un état faible, moyen ou élevé de la fréquence cardiaque.

Donc la solution idéale pour l'IA est qu'il va apprendre ces 14 ensembles d'échantillons. Et quand une entrée de capteur d'utilisateur est reçue, l'IA comparera la combinaison d'états pour les quatre capteurs, avec les échantillons déjà mémorisés. S'il existe une combinaison correspondante, l'IA choisira le genre, et sinon, il choisira un genre en fonction des probabilités de transition augmentées, tout en mettant simultanément à jour les probabilités de transition avec les nouvelles données.

Est-ce une bonne approche à adopter, ou est-ce qu'il me manque quelque chose? Existe-t-il un autre moyen de déterminer la probabilité de sortie (lisez à propos de Estimation du maximum de vraisemblance par EM, mais ne comprenez pas le concept)? Cordialement, Casper

Answer 1

Un HMM semble bon pour cela. Vous voudriez utiliser le Viterbi algorithm pour trouver la sortie la plus probable de l'entrée après l'entraînement du HMM.