HIDDEN MARKOV MODELS (HMM) SOBRE EL ALGORITMO DE VITERBI.

PROBLEMA MODELABLE.
Presentado por: Jordan Arrazola Paternina.

GAME OF TARGET SHOOTING.

Grafica 0: juego en el que se basa el modelo oculto de Markov (Esta para Android) .

Es un modelo de markov oculto, con observaciones para cada etapa del juego informtico
e implementando el algoritmo de Viterbi. Se usara el HMM TRELLIS para una secuencia
de observaciones de longitud n.

En los siguientes pasos que se describen a continuacin, se describe la construccin del

modelo HMM en el algoritmo de Viterbi:

1. Inicializar en 0 () = 1 para s de estado de inicio, y 0 () = 0 para todos los otros

estados [esto es equivalente a tener slo el estado de inicio en el enrejado en la
posicin cero].
2. Para cada valor = 1, , , calcular:
() = 1 ( 1 )(11 )1 (1 )
() = . 1 ( 1 )(11 )1 (1 )
3. Finalmente, rellene el estado final de la Trellis (posicin n+ 1) usando las reglas en
(2) anteriormente.

Reglas condicionadas para el Game of target shooting: La diana en donde se arrojan los
dardos, tiene 3 regiones que son la externa de color rojo, interna de color amarillo y el
centro de la dina de color verde. Para cada condicin en este juego se observaran los
siguientes: estado Start (En el momento de lanzar el primer dardo = 0 puntos), estado A
(atinar al aro externo rojo = 25 puntos), estado B (atinar al aro externo amarillo = 50
puntos) y estado End (para llegar a este estado debe atinar al centro verde de la diana,
puede ser ganador en este estado y contar los puntos para definir el ganador).

Nota 1: solo hay 3 tiros permitidos y no ms.

Ing. Jordan Arrazola Paternina. Procesos Estocsticos Pgina 1

 NEXT
A B END
START 0.7 0.3 0
A 0.2 0.7 0.1
B 0.7 0.2 0.1
Tabla 1: La distribucin de probabilidad de transicin.

WORD
STATE *S* x y
START 1 0 0
A 0 0.4 0.6
B 0 0.3 0.7
Tabla 2: La distribucin de probabilidad de emisin.

Supongamos que vemos la secuencia de entrada x y y. Empezamos construyendo el

enrejado (Trellis) y la inicializacin con 0 ( ) = 1 en la salida. Los nodos
amarillos indican qu parte de la secuencia se puede considerar generada despus de cada
iteracin del trellis- un llenado:

Grafica 1: enrejado de la primera posicin [Hecho en dia.exe].

Calcular el valor de para la posicion 1:

Nota 2: Para mejor manejo de ecuaciones y formulas se usaran 2 editores [Editor de word,
wiris latex].

Solo hay un solo valor de S0 en el estado de inicio.

Ing. Jordan Arrazola Paternina. Procesos Estocsticos Pgina 2

De igual forma que:

Las trazas son de la siguiente forma:

Grafica 2: enrejado de la segunda posicin [Hecho en dia.exe].

Calcular el valor de para la posicion 2:

Este valor fue mayor para S1 = B, por lo tanto 2() = 1 y obtener:

Ing. Jordan Arrazola Paternina. Procesos Estocsticos Pgina 3

Como resultado:

Grafica 3: enrejado de la tercera posicin [Hecho en dia.exe].

Ing. Jordan Arrazola Paternina. Procesos Estocsticos Pgina 4

Grafica 4: enrejado de la posicin END o estado final [Hecho en dia.exe].

Como resultado:

Grafica 5: enrejado total [Hecho en dia.exe].

Desde el estado final podemos leer la secuencia de Viterbi (siguiendo las trazas hasta el
estado de inicio) y su probabilidad.

Secuencia de Viterbi = ABB.

Ing. Jordan Arrazola Paternina. Procesos Estocsticos Pgina 5

Tenga en cuenta que esto es diferente a la inferencia de que se vaya a lograr con un
"modelo de emisiones inversa" donde:

Lo que favorecera la secuencia BBB, o con el modelo de transicin solo (lo que favorecera
la ABA secuencia). Los modelos de emisin y de transicin trabajan en conjunto para
determinar la inferencia posterior.

GAME
OF
TARGET
SHOOTING.

Macro 1: Nombre del juego.

Nota 3: se encontr un problema modelable y se le adapto un juego de dardos (Game of

target shooting) a esta HMM con Viterbi.

REFERENCIA.
Roger Levy (rlevy@ling.ucsd.edu), Hidden Markov Model inference with the Viterbi
algorithm: a mini-example [online]. Estados Unidos: Universidad de California en San
Diego, Disponible en:
http://idiom.ucsd.edu/~rlevy/teaching/winter2009/ligncse256/lectures/hmm_viterbi_m
ini_example.pdf

Ing. Jordan Arrazola Paternina. Procesos Estocsticos Pgina 6