HMMs sind ein Sonderfall von probabilistischen grafischen Modellen ( PGM ), die einen sehr breiten Bereich von mehr oder weniger verwandten (in Bedingungen für bestimmte Anwendungsmodelle.

Es gibt zumindest generische Modelle, die Sie ausprobieren könnten:

• Bedingte Zufallsfelder ( CRF ) )
• Bayesianische Netzwerke

Es ist auch erwähnenswert, dass man auf der coursera-Plattform einen guten Einführungskurs in Bezug auf PGMs finden kann: https: // www .coursera.org / course / pgm

Neuronale Netze hingegen sind ein ziemlich allgemeiner Begriff, der Dutzende von tatsächlichen Modellen umfasst. Das gebräuchlichste Verständnis dieses Begriffs, dh. Multi Layer Perceptron (auch als künstliches neuronales Netzwerk, Feedforward Neural Network bezeichnet) ist ein anderes Konzept, das eher eine Regressionsmethode als ein tatsächliches Wahrscheinlichkeitsmodell ist. Andererseits gibt es einige probabilistische Versionen neuronaler Netze, die für ähnliche Aufgaben verwendet werden können.

Hier gibt es bereits einige gute Antworten, aber ich dachte, ich würde mich noch einer anschließen, die in Bereichen im Zusammenhang mit der Gestenerkennung verwendet wurde.

Dieses Papier von Taylor, Hinton und Roweis ähnelt einem HMM in dem Sinne, dass es sich um ein Zeitreihenmodell mit latenten Zuständen handelt, aber:

1) Die Struktur der verborgenen Zustände kann viel komplexer sein (viele, viele mehr mögliche Zustände) und

2) Viele der Verbindungen sind ungerichtet (wie in einem bedingten Zufallsfeld oder einem Markov-Zufallsfeld) und nicht gerichtet.

Abbildung 2 zeigt ein Diagramm von Das Grundmodell und die Autoren haben einige großartige Videos darüber, was das Modell auf ihren Websites lernen kann.

Wiederkehrende neuronale Netze sind ein Unterscheidungsmodell, mit dem viele Aufgaben gelöst werden können, für die Sie normalerweise ein HMM verwenden würden. Sie sind jetzt (zumindest wenn der TIMIT-Benchmark korrekt ist) der Stand der Spracherkennung. Sie werden erfolgreich in der Sprachmodellierung und in vielen weiteren Bereichen eingesetzt. Ein guter Einführungstext ist Ilya Sutskevers Doktorarbeit.

Ich bin nicht sicher, ob es nach Ihren Kriterien qualifiziert ist, aber Kalman-Filter ähneln HMMs mit kontinuierlichem (Gaußschem) latenten Zustandsraum.

Möglicherweise möchten Sie sich mit Echo State Networks befassen, obwohl diese Übergangswahrscheinlichkeiten zwischen Zuständen nicht explizit modellieren. Sie sind einfach zu implementieren und schnell zu trainieren.

Hier ist ein einführender Artikel, den Sie möglicherweise nützlich finden: http://www.scholarpedia.org/article/Echo_state_network