الگوریتم جلورونده

از الگوریتم جلورونده در زمینه مدل پنهان مارکف برای محاسبه belief state ( احتمال یک حالت در یک زمان با توجه به سابقه گرفته شده ) استفاده می شود. این روند همچنین به عنوان فیلتر شناخته شده است. الگوریتم جلورونده مرتبط اما متفاوت از الگوریتم ویتربی است.
برای یک مدل پنهان مارکف مانند شکل زیر:
این احتمال به صورت P ( x t | y 1 : t ) در اینجا x ( t ) حالت پنهان است که به صورت مختصر x t نوشته شده است و y 1 : t مشاهدات 1 تا t را می توان در هر زمان محاسبه کرد، اما این کار دنباله حالت با بیشترین احتمال را تولید نمی کند، بلکه حالت با بیشترین احتمال در هر زمان باتوجه سابقه قبلی تولید می کند.
الگوریتم جلورونده یکی از الگوریتم ها برای حل مسئله رمز گشایی است. پس از توسعه تشخیص گفتار[ ۱] و تشخیص الگو و زمینه های مرتبط با آن مانند زیست شناسی محاسباتی که از مدل پنهان مارکف استفاده می کند، الگوریتم جلورونده محبوبیت زیادی به دست آورده.
هدف الگوریتم جلورونده محاسبه احتمال مشترک p ( x t , y 1 : t ) راحتی x ( t ) به عنوان x t و ( y ( 1 ) , y ( 2 ) , . . . , y ( t ) ) به عنوان y 1 : t . محاسبات p ( x t , y 1 : t ) به طور مستقیم نیاز به حاشیه راندن بیش از همه ممکن است دولت توالی { x 1 : t − 1 } تعداد که به صورت نمایی رشد می کند با t . به جای رو به جلو الگوریتم طول می کشد استفاده از مشروط استقلال قوانین hidden Markov model ( HMM ) برای انجام محاسبات به صورت بازگشتی.