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是状态转移矩阵:
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是观测概率矩阵:
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是初始状态概率向量:
π=(πi)
其中,
πi=P(i1=qi),