Therefore, the proposed framework o

Therefore, the proposed framework only needs to
adjust its Gaussian parameters given sequences with arbitrary
duration length. Fig. 5 show that with a much smaller number of
parameters, our CasDBNs can achieve the same accuracy as MultHSMM
and outperforms Cox-HSMM. Thanks to the decomposition
strategy, in most cases the number of training data needed for our
CasDBNs would not be substantially different from an HMM.

Kết quả (Việt) 2:

Do đó, các khung đề xuất chỉ cần
điều chỉnh các thông số của nó Gaussian trình tự nhất định với tùy ý
chiều dài thời gian. Vả. 5 cho thấy rằng với một số lượng nhỏ hơn nhiều các
thông số, CasDBNs của chúng tôi có thể đạt được độ chính xác tương tự như MultHSMM
và nhanh hơn so với Cox-HSMM. Nhờ sự phân hủy
chiến lược, trong hầu hết các trường hợp, các số liệu cần thiết cho đào tạo của chúng tôi
CasDBNs sẽ không khác nhau đáng kể từ một HMM.