आपकी समस्या के विवरण के आधार पर, HMM (जेनरेटर मॉडल) और CRF (भेदभावपूर्ण मॉडल) दोनों काम करेंगे। दो दृष्टिकोणों की अधिक गहन व्याख्या के लिए इस चर्चा को देखें:
जनरेटिव और डिस्क्रिमिनिटिव एल्गोरिथम के बीच अंतर क्या है?
एक सुझाव: एल्गोरिथम चुनने से पहले, अपने संख्यात्मक डेटा को ध्यान से देखकर MATLAB भूखंडों या इसी तरह से शुरू करें। यदि जानकारी बहुआयामी है (जैसे कई सेंसर से बल मान), तो यह मामला हो सकता है कि कुछ आयाम (जैसे सेंसर पढ़ता है) में उपयोगी भेदभावपूर्ण जानकारी नहीं होती है; इस मामले में, प्रिंसिपल कंपोनेंट एनालिसिस के साथ डेटा को कंप्रेस करें ताकि आपको प्रशिक्षण और वर्गीकरण के दौरान अधिक कॉम्पैक्ट फीचर्स मिलें।
अब, आपके प्रश्न के संबंध में:
अंतर यह है कि एचएमएम आपकी बनावट कक्षाओं में से प्रत्येक को कई छिपे हुए चर / राज्यों के साथ प्रतिनिधित्व कर सकता है, इस प्रकार प्रत्येक संपर्क के आंतरिक अस्थायी विकास को कैप्चर कर सकता है। हम कह सकते हैं कि एचएमएम आपके डेटा के "निम्न-स्तर" (इंट्रा-क्लास) की गतिशीलता को बेहतर ढंग से प्रदर्शित करता है। उदाहरण के लिए, आपके मामले में HMM आपको प्रत्येक डेटा अधिग्रहण के तीन अलग-अलग चरणों को स्पष्ट रूप से मॉडल करने की अनुमति देगा: (1) रोबोट और ऑब्जेक्ट के बीच संपर्क शुरू करना; (2) संपर्क का स्थिर हिस्सा; (3) संपर्क और विमोचन का अंत। इन चरणों के समय में अलग-अलग मूल्य हो सकते हैं, यहां तक कि एक ही वस्तु बनावट के लिए, और यह वर्गीकरण परिणामों में सुधार करने के लिए उन्हें अलग करने के लिए समझ में आ सकता है।
दूसरी ओर, CRF आपके डेटा वितरण के "उच्च-स्तरीय" (इंटर-क्लास) संबंधों को कैप्चर करने के लिए अधिक अनुकूल होते हैं, जो कभी-कभी महत्वपूर्ण होते हैं जब अनुपात-लौकिक परिवर्तनशीलता अधिक होती है, या जब अवलोकन सुविधाएँ बहुत समान होती हैं विभिन्न वर्गों से संबंधित दो नमूने।
व्यक्तिगत रूप से मुझे एचएमएम का उपयोग करना आसान लगता है और मैं उन लोगों के साथ शुरू करूंगा, लेकिन आपका माइलेज अलग-अलग हो सकता है।
यदि मैं अधिक श्रेणियों में वर्गीकृत करने का निर्णय लेता हूं और प्रत्येक श्रेणी के बीच का अंतर बहुत ही सूक्ष्म है, तो उस स्थिति में एक अच्छा विकल्प क्या होगा?
उस मामले में, CRF एक अधिक मजबूत विकल्प हो सकता है (ऊपर देखें)।
क्या फोर्स-डेटा उन सभी सूचनाओं को पकड़ने के लिए पर्याप्त होगा जिन्हें मुझे इन श्रेणियों में बनावट को वर्गीकृत करने की आवश्यकता है?
दृश्य विशेषताओं (ऑब्जेक्ट उपस्थिति) को जोड़ना, खासकर यदि उच्च-रिज़ॉल्यूशन कैमरों के साथ कैप्चर किया गया हो, तो यह निर्धारित करने में मदद कर सकता है कि ऑब्जेक्ट की बनावट उबड़-खाबड़ है या नहीं।