Evaluation der Anwendungsmöglichkeiten von verborgenen nicht-Markov'schen Modellen zur Muster- und Gestenerkennung

Für viele Problemstellungen werden in der Praxis bereits verborgene Modelle verwendet, um, anhand von Beobachtungen eines sogenannten partiell beobachtbaren Systems, Rückschlüsse auf dessen 'verborgene', d.h. nicht beobachtbare, Zustände ziehen zu können. So werden beispielsweise Verborgene Markov Modelle zur Sprach-, Gesten- und 2D-Formenerkennung, aber auch zur Analyse von DNA-Strängen eingesetzt. Markov Modelle abstrahieren ein System jedoch sehr stark, da nur mit Zuständen und einer fixen Wahrscheinlichkeit je Zustandswechsel modelliert werden kann. Mit unseren Verborgenen nicht-Markov'schen Modellen können wir reale Systeme viel genauer modellieren, wodurch wir uns Verbesserungen und neue Möglichkeiten für die oben genannten Anwendungsgebiete erhoffen.  Dabei liegt der Fokus zunächst auf möglichen Formen der Gestenerkennung bei Multi-touch Geräten, da diese durch den Erfolg von Smartphones und Tablets eine große Verbreitung erfahren. Die zu bewältigenden Schwierigkeiten mit Verborgenen nicht-Markov'schen Modellen liegen in der meist höheren Berechnungskomplexität und vor allem in der komplexeren Parametrierung der Modelle anhand von Trainingsdaten.