چکیده

دلیل خوبی برای مدلسازی تهدید نامتقارن (اقدام ساختاری شده بعنوان یک حمله تروریستی) بعنوان یک HMM وجود دارد که مشاهدات آن درهم و برهمی است. مقاله دو سهم مهم را در این زمینه ارائه می کند. سهم نخست فیلتر برنولی است که می تواند مشاهدات درهم و برهم شده را پردازش کند و قابلیت شناسایی را نیز دارد منوط به این که یک HMM وجود داشته باشد، و در صورت لزوم، حالت HMM را برآورد می کند. دومین سهم آنالیز مسئله برای یک مدل داده شده HMM است، که قادر به ایجاد اظهارات در رابطه با حداقل ترین پیچیدگی-ها است که یک HMM به آن نیاز دارد به این منظور که این با وفاداری منطقی قابل شناسایی است همچنین با کران های بالاتر در سطح درهم ریختگی (تعداد مورد انتظار از اندازه گیری های اشتباه) و احتمال از دست دادن مشاهدات مربوطه نیز قابل تشخیص است. در یک مطالعه شبیه سازی، نشان داده شده است که فیلتر برنولی عملکرد خوب ارائه شده را می دهد که احتمال مشاهده در مقایسه با احتمال مشاهده درهم ریختگی نامرتبط بالا است. همچنین، نتایج نشان می دهد که در صورت وجود تاخیرهای طولانی تر بین گذارهای حالت HMM، حاشیه احتمالی می بایست زیاد باشد. پیش بینی امکان پذیری نشان می دهد که این احتمال وجود دارد که مرز بین عملکرد ضعیف و عملکرد خوب برای فیلتر برنولی را پیش بینی کرد، یعنی این پیش بنیی شدنی است زمانی که فیلتر برنولی مفید یا غیر مفید باشد.