【机器学习】隐马尔可夫模型及其三个基本问题(一)
隐马尔可夫模型(Hidden Markov Model,HMM)是一种重要的有向图模型,使用隐马尔可夫模型的问题一般需要两个特征( 参考资料1):(1)问题是基于时间序列或状态序列的。(2)问题中有两种数据,一种是观测序列,即我们能够观测到的序列;一种是状态序列,即隐藏的、不可被观测的但决定对应的观测值的序列。
HMM模型
1、HMM模型概述
假设系统在 N N N个状态之间切换,状态空间为 Q = { q 1 , q 2 , ⋯   , q N } Q = \left\{ {
{q_1},{q_2}, \cdots ,{q_N}} \right\} Q={
q1,q2,⋯,qN}。
观测值的可能取值有 M M M个,其集合为 V = { v 1 , v 2 , ⋯   , v M } V = \left\{ {
{v_1},{v_2}, \cdots ,{v_M}} \right\} V={
v1,v2,⋯,vM}。
目前有一组长度为 n n n的状态序列 Y = { y 1 , y 2 , ⋯   , y n } Y = \left\{ {
{y_1},{y_2}, \cdots ,{y_n}} \right\} Y={
y1,y2,⋯,yn}。
对应的观测序列为 X = { x 1 , x 2 , ⋯   , x n } X = \left\{ {
{x_1},{x_2}, \cdots ,{x_n}} \right\} X={
x1,x2,⋯,xn}。
其中任意一个观测值 x t ∈ V {x_t} \in V xt∈V,任意一个状态值 y t ∈ Q {y_t} \in Q yt∈Q。为了简化模型,HMM做出两个假设:一个是观测值 x t x_t xt由对应的状态值 y t y_t yt确定,另一个是 t t t时刻的状态值 y t y_t yt仅依赖于 t − 1 t-1 t−1时刻的状态值 y t − 1 y_{t-1} yt−1