Basierend auf Ihrer Problembeschreibung funktionieren sowohl HMM (generatives Modell) als auch CRF (diskriminatives Modell). In dieser Diskussion finden Sie eine ausführlichere Erläuterung der beiden Ansätze:
Was ist der Unterschied zwischen einem generativen und einem diskriminativen Algorithmus?
Ein Vorschlag: Bevor Sie einen Algorithmus auswählen, sollten Sie zunächst Ihre numerischen Daten mit MATLAB-Plots oder ähnlichem sorgfältig betrachten. Wenn die Informationen mehrdimensional sind (z. B. Kraftwerte von mehreren Sensoren), kann es vorkommen, dass einige Dimensionen (z. B. Sensorlesungen) keine nützlichen Unterscheidungsinformationen enthalten. Komprimieren Sie in diesem Fall die Daten mit der Hauptkomponentenanalyse, damit Sie während des Trainings und der Klassifizierung kompaktere Funktionen erhalten.
Nun zu Ihrer Frage:
Der Unterschied besteht darin, dass HMMs jede Ihrer Texturklassen mit mehreren versteckten Variablen / Zuständen darstellen können, wodurch die interne zeitliche Entwicklung jedes Kontakts erfasst wird. Wir können sagen, dass HMM die "Low-Level" -Dynamik (klasseninterne Dynamik) Ihrer Daten besser modelliert. In Ihrem Fall können Sie mit HMMs beispielsweise drei verschiedene Phasen jeder Datenerfassung explizit modellieren: (1) Beginn des Kontakts zwischen Roboter und Objekt; (2) stabiler Teil des Kontakts; (3) Ende des Kontakts und Freigabe. Diese Phasen können zeitlich unterschiedliche Werte haben, selbst für dieselbe Objekttextur, und es kann sinnvoll sein, sie zu trennen, um die Klassifizierungsergebnisse zu verbessern.
Auf der anderen Seite sind CRFs besser geeignet, um die "High-Level" -Relationen (zwischen Klassen) Ihrer Datenverteilung zu erfassen, die manchmal wichtig sind, wenn die räumlich-zeitliche Variabilität hoch ist oder wenn die Beobachtungsmerkmale zwischen ihnen sehr ähnlich sind zwei Proben verschiedener Klassen.
Persönlich finde ich HMMs einfacher zu verwenden und würde damit beginnen, aber Ihr Kilometerstand kann variieren.
Wenn ich mich entscheide, in mehrere Kategorien zu klassifizieren, und die Unterscheidung zwischen den einzelnen Kategorien sehr subtil ist, was wäre in diesem Fall eine gute Wahl?
In diesem Fall können CRFs eine robustere Wahl sein (siehe oben).
Reichen Force-Daten aus, um alle Informationen zu erfassen, die ich zum Klassifizieren von Texturen in diese Kategorien benötige?
Das Hinzufügen visueller Merkmale (Objekterscheinung), insbesondere wenn sie mit hochauflösenden Kameras aufgenommen wurden, kann dazu beitragen, festzustellen, ob das Objekt eine raue Textur aufweist oder nicht.