【机器学习】隐马尔可夫模型及其三个基本问题(一)

本文介绍了隐马尔可夫模型(HMM)的基础知识,包括模型概述、三个基本问题:评估观测序列概率、模型参数学习和解码问题。通过具体的盒子与球模型实例,详细阐述了HMM的状态转移矩阵、输出观测矩阵和初始状态概率分布矩阵。
摘要由CSDN通过智能技术生成

【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 xtV,任意一个状态值 y t ∈ Q {y_t} \in Q ytQ。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 t1时刻的状态值 y t − 1 y_{t-1} yt1

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
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