7. Hidden Markov Models (Parte 2) (pdf, it, 413 KB, 4/28/10)
7. Hidden Markov Models (Parte 2) (pdf, it, 413 KB, 4/28/10)
7. Hidden Markov Models (Parte 2) (pdf, it, 413 KB, 4/28/10)
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Matrici di emissione e transizione<br />
Probabil<strong>it</strong>à di transizione<br />
δ = probabil<strong>it</strong>à del 1 st ‘-’<br />
ε = probabil<strong>it</strong>à di estendere ‘-’<br />
Probabil<strong>it</strong>à di emissione<br />
M X<br />
1-2δ<br />
1- ε<br />
1- ε<br />
i. Match: (a,b) con p ab – solo per lo stato M<br />
ii. Insertion in x: (a,-) con q a – solo per lo stato X<br />
iii.Insertion in y: (-,a).con q a - solo per lo stato Y<br />
V<strong>it</strong>torio Murino Riconoscimento e Classificazione per la Bioinformatica 94<br />
94<br />
Assegnamento del punteggio<br />
• Date x (lunghezza m) ed y (lunghezza n)<br />
• Molti possibili allineamenti<br />
• Corrispondenti a diversi percorsi sugli stati<br />
(di lunghezza compresa tra max{m,n} ed m+n)<br />
• Dati i parametri della pair-HMM posso calcolare<br />
un punteggio ad ogni allineamento<br />
• Cerco l’allineamento che massimizza il<br />
punteggio<br />
M<br />
• Ovvero cerco il cammino di V<strong>it</strong>erbi!<br />
V<strong>it</strong>torio Murino Riconoscimento e Classificazione per la Bioinformatica 95<br />
95<br />
X<br />
Y<br />
δ<br />
ε<br />
0<br />
Y<br />
δ<br />
0<br />
ε<br />
24