Markov-Modelle dienen zur Lösung verschiedener Mustererkennungsprobleme wie der automatischen Sprach- und Schrifterkennung oder der Analyse biologischer Sequenzen. Der theoretische Rahmen der Modellbildung und die praxisrelevanten Algorithmen werden ausführlich dargestellt. Mit diesem Lehrbuch gelingt sowohl Studierenden der Informatik als auch Entwicklern und Forschern im Bereich Mustererkennung der fundierte Einstieg in Theorie und Praxis.
Inhaltsverzeichnis
1 Einleitung. - 1. 1 Thematischer Kontext. - 1. 2 Funktionsprinzipien von Markov-Modellen. - 1. 3 Zielsetzung und Aufbau. - 2 Anwendungen. - 2. 1 Sprache. - 2. 2 Schrift. - 2. 3 Biologische Sequenzen. - 2. 4 Ausblick. - I Theorie. - 3 Grundlagen der Statistik. - 4 Vektorquantisierung. - 5 Hidden-Markov-Modelle. - 6 n-Gramm-Modelle. - II Praxis. - 7 Rechnen mit Wahrscheinlichkeiten. - 8 Konfiguration von Hidden-Markov-Modellen. - 9 Robuste Parameterschätzung. - 10 Effiziente Modellauswertung. - 11 Modellanpassung. - 12 Integrierte Suchverfahren. - III Systeme. - 13 Spracherkennung. - 14 Schrifterkennung. - 15 Analyse biologischer Sequenzen.
