Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Learning Finite Automaton from Noisy Observations -- A Simple Instance of a Bidirectional Signal-to-symbol

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F04%3A00105693" target="_blank" >RIV/68407700:21230/04:00105693 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Learning Finite Automaton from Noisy Observations -- A Simple Instance of a Bidirectional Signal-to-symbol

  • Popis výsledku v původním jazyce

    This report investigates the way how to learn the finite automaton model of the activity observed in real world. The related theory is reviewed, solution proposed and experiments conducted. Learning finite automaton is similar to learning a discrete Hidden Markov Model (HMM) using a variant of EM algorithm. We used J. Dupa{v c}'s discrete HMM Toolbox in Matlab. The experimental part of this work deals with learning HMM from a synthetic training set generated from a known model. This approach provides us with ground truth.

  • Název v anglickém jazyce

    Learning Finite Automaton from Noisy Observations -- A Simple Instance of a Bidirectional Signal-to-symbol

  • Popis výsledku anglicky

    This report investigates the way how to learn the finite automaton model of the activity observed in real world. The related theory is reviewed, solution proposed and experiments conducted. Learning finite automaton is similar to learning a discrete Hidden Markov Model (HMM) using a variant of EM algorithm. We used J. Dupa{v c}'s discrete HMM Toolbox in Matlab. The experimental part of this work deals with learning HMM from a synthetic training set generated from a known model. This approach provides us with ground truth.

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

    JD - Využití počítačů, robotika a její aplikace

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA102%2F03%2F0440" target="_blank" >GA102/03/0440: Rozpoznávání lidských aktivit pro automatické sledování z videa</a><br>

  • Návaznosti

    R - Projekt Ramcoveho programu EK

Ostatní

  • Rok uplatnění

    2004

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů