计算语言学之隐马尔可夫模型

本文介绍了隐马尔可夫模型(HMM)的基础概念,包括模型构成、评估、解码及学习四个核心部分。通过自动贩卖机的特殊实例解释HMM的工作原理,探讨如何计算观察序列概率以及寻找最可能的隐藏状态序列。最大期望算法和极大似然估计在模型学习中起关键作用。
摘要由CSDN通过智能技术生成

1 引言

隐马尔可夫模型到现在我才敢写是因为到现在才明白一点。如果有写的不对的地方还请指正。

2 隐马尔可夫模型概要

2.1 介绍

隐马尔可夫模型(Hidden Markov Model,HMM)是统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析,例如模式识别。

事实上,隐马尔可夫模型是一个比较巧妙的模型,它在形式上是一个概率图模型,但是它比普通的概率图模型更为复杂的地方在于,它有隐含层的存在。

2.2 系统构成

这样,整个系统就会被分为2个部分,隐藏状态和观察状态。而连接这两个部分和时间序列的,则是三个部分:
1.

评论
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

打赏作者

AI让世界更懂你

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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