مدل¬های گرافی احتمالاتی با لایه مخفی چارچوبی قدرتمند برای دسته¬بندی دنباله¬ای از داده¬ها ارائه می‌کنند. میدان تصادفی شرطی با حالات پنهان(HCRF) از جمله مدل¬های تفکیک‌کننده است که از لایه مخفی استفاده کرده و وزن¬های مشترکی برای هرکدام از فریم¬ها یاد می¬گیرد. دراین مقاله ما مدلی مبتنی بر HCRF معرفی کرده که برای متغیرهای مخفی مانند یک پنجره عمل کرده و وزن¬های غیرمشترک برای هر فریم این پنجره یاد می¬گیرد. همچنین تعداد حالات مخفی برای هرکدام از متغیرهای پنهان در پنجره موردنظر به صورت دستی می¬توانند انتخاب شوند که با این کار میتوان به فریم¬های مهم‌تر تعداد حالات مخفی بیشتری نسبت داد و فضای حالات را کاهش داد. در تحقق یادگیری و پرس‌وجو از مدل پیشنهادی، تعمیمی از الگوریتم پیش¬رو-پس¬رو برای استنتاج پیاده¬سازی می‌شود. آزمایش¬های ما بر روی کاربرد تشخیص نشانه‌ها در حرکت دست صورت گرفته که نشان¬دهنده عملکرد بهتر مدل پیشنهادی نسبت به سایر مدل¬ها در این حوزه است.

کلمات کلیدی