HMM so với CRF để mô hình hóa dữ liệu lực lượng chuỗi thời gian của robot tương tác với môi trường?

Tôi có một chuỗi thời gian dữ liệu lực lượng của robot tương tác với các đối tượng môi trường với các kết cấu khác nhau. Tôi muốn phát triển các mô hình của các kết cấu khác nhau bằng cách sử dụng dữ liệu chuỗi thời gian để phân loại kết cấu thành các danh mục mịn, thô, vừa phải, v.v. Với mục đích này, các Mô hình Markov ẩn sẽ đủ hay tôi nên sử dụng Trường ngẫu nhiên có điều kiện? Nếu tôi quyết định phân loại thành nhiều loại hơn và sự khác biệt giữa mỗi loại là rất tinh tế, trong trường hợp đó, đâu sẽ là một lựa chọn tốt? Liệu dữ liệu bắt buộc có đủ để nắm bắt tất cả thông tin tôi cần để phân loại họa tiết thành các loại này không?

Cảm ơn bạn đã trả lời :)

Dựa trên mô tả vấn đề của bạn, cả HMM (mô hình thế hệ) và CRF (mô hình phân biệt đối xử) sẽ hoạt động. Xem cuộc thảo luận này để được giải thích sâu hơn về hai phương pháp:

Sự khác biệt giữa một thuật toán tạo và phân biệt đối xử là gì?

Một gợi ý: trước khi chọn một thuật toán, hãy bắt đầu bằng cách xem xét cẩn thận dữ liệu số của bạn, với các ô MATLAB hoặc tương tự. Nếu thông tin là đa chiều (ví dụ: giá trị lực từ nhiều cảm biến), có thể xảy ra trường hợp một số kích thước (ví dụ đọc cảm biến) không chứa thông tin phân biệt đối xử hữu ích; trong trường hợp này, nén dữ liệu bằng Phân tích thành phần chính để bạn có các tính năng nhỏ gọn hơn trong quá trình đào tạo và phân loại.

Bây giờ, liên quan đến câu hỏi của bạn:

Sự khác biệt là HMM có thể đại diện cho mỗi lớp kết cấu của bạn với một số biến / trạng thái ẩn, do đó nắm bắt được sự tiến hóa theo thời gian bên trong của mỗi liên hệ. Chúng tôi có thể nói rằng HMM mô hình hóa tốt hơn tính năng động "cấp thấp" (nội bộ) của dữ liệu của bạn. Ví dụ, trong trường hợp của bạn, HMM sẽ cho phép bạn mô hình hóa rõ ràng ba giai đoạn khác nhau của mỗi lần thu thập dữ liệu: (1) bắt đầu liên hệ giữa robot và đối tượng; (2) phần ổn định của tiếp xúc; (3) kết thúc liên lạc và phát hành. Các pha này có thể có các giá trị khác nhau theo thời gian, ngay cả đối với cùng một kết cấu đối tượng và việc tách chúng ra để cải thiện kết quả phân loại là điều hợp lý.

Mặt khác, CRF phù hợp hơn để nắm bắt các mối quan hệ "mức cao" (giữa các lớp) trong phân phối dữ liệu của bạn, điều này đôi khi rất quan trọng khi độ biến thiên theo thời gian cao hoặc khi các tính năng quan sát rất giống nhau hai mẫu thuộc các lớp khác nhau.

Cá nhân tôi thấy HMM dễ sử dụng hơn và tôi sẽ bắt đầu với những HMM đó, nhưng số dặm của bạn có thể thay đổi.

Nếu tôi quyết định phân loại thành nhiều loại hơn và sự khác biệt giữa mỗi loại là rất tinh tế, trong trường hợp đó, đâu sẽ là một lựa chọn tốt?

Trong trường hợp đó, CRF có thể là một lựa chọn mạnh mẽ hơn (xem bên trên).

Liệu dữ liệu bắt buộc có đủ để nắm bắt tất cả thông tin tôi cần để phân loại họa tiết thành các loại này không?

Thêm các tính năng hình ảnh (ngoại hình đối tượng), đặc biệt nếu được chụp bằng camera độ phân giải cao, có thể giúp xác định xem đối tượng có kết cấu thô hay không.