Modelos ocultos de markov en espacios de disimilaridad: alternativas para la selección de prototipos

Abstract

El criterio convencional de clasificación en sistemas que involucran modelos ocultos de Markov emplea la regla de máxima verosimilitud para escoger la clase correcta. Existe evidencia que muestra que la clasificación basada en disimilaridades entre modelos ocultos de Markov aumenta el desempeño del sistema. En este nuevo espacio de disimilaridades, las reglas de decisión pueden construirse usando todo el conjunto de entrenamiento o un conjunto reducido de prototipos adecuadamente seleccionados, que permiten minimizar el número de disimilaridades que deben medirse. En este artículo se comparan diferentes procedimientos para la selección de prototipos en el espacio de disimilaridades entre modelos ocultos de Markov.