مصطفی رفیعی - دانشگاه فردوسی مشهد
سیدکمال الدین غیاثی شیرازی - دانشگاه فردوسی مشهد
احد هراتی - دانشگاه فردوسی مشهد

مدل های گرافی احتمالاتی با لایه مخفی چارچوبی قدرتمند برای دسته بندی دنباله ای از داده ها ارائه می کنند. میدان تصادفی شرطیبا حالات پنهان (HCRF) از جمله مدل های تفکیکی است که از لایه مخفی استفاده کرده و وزن های مشترکی را برای تمامی قاب ها یادمی گیرد. در این مقاله با الهام از HCRF مدلی جدید معرفی می کنیم که در پنجرهای از متغیرهای مخفی وزن های مجزا (غیرمشترک)برای هر متغیر مخفی یاد می گیرد. همچنین در مدل پیشنهادی، بر خلاف HCRF ، تعداد حالات مخفی برای هرکدام از متغیرهای پنهانعضو پنجره می تواند متفاوت انتخاب شود. این کار با کاهش فضای حالت جستجو برای متغیرهای مخفی سرعت و کیفیت استنتاج رابهبود داده و امکان انتساب ناهمسان اهمیت به تک فریم ها را فراهم می آورد. در عین حال ما با اتصال زنجیروار خروجی پنجره های متوالیامکان نشر اطلاعات بین برچسب های هر پنجره را فراهم می آوریم. آزمایش های ما بر روی کاربرد تشخیص حالت دست صورت گرفته کهنشان دهنده عملکرد بهتر مدل پیشنهادی نسبت به سایر مدل های گرافی احتمالاتی در این حوزه است.

پارامترهای غیرمشترک، میدان تصادفی شرطی با حالات پنهان پنجرهای (WHCRF)، حالات مخفی، تشخیص حالت حرکت