本文介绍了隐马尔科夫链（HMM），包括马尔科夫链回顾、隐马尔科夫链的定义、简单实例及三大问题：验证、识别和训练学习。HMM描述了隐藏马尔科夫过程如何生成观测序列，并通过状态转移概率矩阵A、观测概率矩阵B和初始状态概率向量π确定。
马尔科夫链回顾
马尔科夫链是以俄国数学家安德烈 ⋅ \cdot ⋅马尔科夫命名，以纪念其首次提出马尔可夫链和对其收敛性质所做的研究。马尔科夫链是指数学中具有马尔科夫性质的离散事件随机过程。在给定当前知识或信息的情况下，过去（即当前以前的历史状态）对于预测将来（即当前以后的未来状态）是无关的，即过去与将来是独立的。
每个状态的转移只依赖于之前的 n n n个状态，这个过程称为1个 n n n阶的模型，其中 n n n是影响转移状态的数目。最简单的马尔科夫过程就是一阶过程，每个状态的转移只依赖于之前的那一个状态。用数学表达式表示就是下面这个式子： P ( X n + 1 = x ∣ X 1 = x 1 , X 2 = x 2 , . . . , X n = x n ) = P ( X n + 1 = x ∣ X n = x n ) P(X_{n+1}=x|X_1=x_1,X_2=x_2,...,X_n=x_n)=P(X_{n+1}=x|X_n=x_n) P(Xn+1=x∣X1=x1,X2=x2,...,Xn=xn)=P(Xn+1=x∣Xn=xn)
用转移矩阵表示： P ( k ) = [ p 11 k p 12 k ⋯ p 1 n k p 21 k p 22 k ⋯ p 2 n k ⋮ ⋮ ⋮ ⋮ p m 1 k p m 2 k ⋯ p m n k ] \mathtt{P^{(k)}}=\begin{bmatrix} p_{11}^k&p_{12}^k&\cdots&p_{1n}^k\\ p_{21}^k&p_{22}^k&\cdots&p_{2n}^k\\ \vdots&\vdots&\vdots&\vdots\\ p_{m1}^k&p_{m2}^k&\cdots&p_{mn}^k \end{bmatrix} P(k)=⎣⎢⎢⎢⎡p11kp21k⋮pm1kp12kp22k⋮pm2k⋯⋯⋮⋯p
最低0.47元/天 解锁文章
9791
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
