Mauricio Alvarez Mesa, Ricardo Henao
El modelo de análisis de componentes principales ocultas de Markov tiene en cuenta la dependencia entre observaciones multivariadas, que en el análisis tradicional de componentes principales se omite por completo. Para la aplicación de este modelo dinámico, es necesario conocer la dimensión de los subespacios principales asociados a cada estado de una cadena de Markov y el número de estados en la cadena. En este artículo, se emplean criterios de información para seleccionar los parámetros del modelo y se presenta una estrategia secuencial de selección de parámetros que reduce el costo computacional. Se muestran resultados utilizando bases de datos sintéticas.
Hidden Markov principal component analysis incorporates the dependence between multivariate observations, which in a typical principal component analysis is discarded. For the application of this dynamic model, it is necessary to know beforehand, the dimensionality of the principal subspace associated with each state of a Markov chain, also, the number of states of the chain. In this article, information criteria are employed for model selection. A sequential pruning strategy for model selection is presented as well, in order to reduce computational cost. Results using synthetic data are shown.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados