隐马尔可夫模型的基本概念

隐马尔可夫模型(HMM)是一种统计学习模型,广泛应用于语音识别、自然语言处理等领域。模型基于马尔可夫链生成不可观测状态序列,进而产生观测序列。HMM有三个基本问题:概率计算、学习和预测。学习算法包括监督学习的极大似然估计和非监督学习的Baum-Welch算法。预测问题常通过维特比算法求解最有可能的状态序列。
摘要由CSDN通过智能技术生成

隐马尔可夫模型是可用于标注问题的统计学习模型。该模型在语音识别、自然语言处理、生物信息、模式识别等领域有着广泛的应用。

基本概念

定义:

隐马尔可夫模型是关于时序的概率模型,描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列,再由各个状态生成一个观测而产生观测随机序列的过程。

Q是所有可能的状态的集合,V是所有可能的观测的集合.
Q={ q1,...,qN},V=={ v1,...,vM}
其中,N是可能的状态数,M是可能的观测数

I是长度为T的状态序列,O是对应的观测序列.
I=(i1,...,iT),O=(o1,...,oT)

A状态转移矩阵
A=[aij]N×N

其中, aij=P(it+1=qj|it=qi),i=1,...,N;j=1,...,N
是在时刻t处于状态 qi 的条件下在时刻t+1转移到状态 qj 的概率

B观测概率矩阵
B=[bj(k)]N×M
其中,
bj(k)=P(ot=vk|it=qj)k=1,...,M;j=1,...,N
是在时刻t处于状态q_j的条件下生成观测 vk 的概率.

π初始状态概率向量:
π=(πi)
其中,
πi=P(i1=qi),

评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值