【机器学习概率统计】20 状态解码：隐马尔科夫模型隐含状态揭秘

1.隐含状态解码问题的描述

上一节我们讲完了概率估计问题，这里我们再来讲一下隐马尔科夫模型的状态解码问题。

解码： d e c o d i n g decoding decoding，就是给定一个已知的观测序列，求他最有可能对应的状态序列。那么用形式化的语言来说就是已知模型 λ = ( A , B , π ) \lambda=(A,B,\pi) λ=(A,B,π)和观测序列 O = ( o 1 , o 2 , . . . , o T ) O=(o_1,o_2,...,o_T) O=(o1​,o2​,...,oT​)，求使得条件概率 P ( I ∣ O ) P(I|O) P(I∣O)最大的隐状态序列 I = ( i 1 , i 2 , . . . , i T ) I=(i_1,i_2,...,i_T) I=(i1​,i2​,...,iT​)。

我们一步一步的来，先不考虑输出观测，仅仅只考虑隐状态的转移，来体会一下思路，首先我们的目标是去找到路径概率最大的一条状态序列。

我们对着下面这幅图来说，会让大家更好理解一些：

图中展现的隐马尔科夫模型中的状态序列，其中一共包含 5 5 5种隐含状态，状态序列的长度为 7 7 7，那么图中很明显横轴是时间轴，纵轴是状态轴。

2.最大路径概率与维特比算法

我们从整个隐含状态序列的最后往前面看，在第 7 7 7个时间点，也就是最后一个时间点这，我们要考虑状态序列的最后一个状态是状态 [ 1 , 2 , 3 , 4 , 5 ] [1,2,3,4,5] [1,2,3,4,5]中的哪一个？实质上就是比较路径以谁为结束状态，整个路径的概率最大。

那怎么操作？我们首先关注的是最后一个时间节点 7 7 7，问题就落脚在如果状态转移路径以结束于状态 k k k的路径概率最大（可以是状态 1 1 1-状态 5 5 5中的任意一个，我们先不管他具体是哪一个了，只知道肯定是其中一个），那么这个概率该怎么表示呢？很显然，他依赖于时间节点 6 6 6可能选取的 5 5 5个状态。

实际上，时间节点 6 6 6取 5 5 5个状态中的任意一个都是有可能的，可能由时间节点 6 6 6处的状态 1 1 1转移到时间节点 7 7 7处的状态 k k k，也可能由状态 2 2 2转移到时间节点 7 7 7的状态 k k k，当然也可以是状态 3 3 3、状态 4 4 4或者状态 5 5 5。最终就看从哪里转移过去的路径概率最大，就选择从哪里转移过去，过程示意如下图所示：

我们令 X 6 i X_{6i} X6i​表示到达时间节点 6 6 6时，此时状态为 i i i的最大路径概率，当然了，状态 i i i可以取 { 1 , 2 , 3 , 4 , 5 } \{1,2,3,4,5\} {1,2,3,4,5}中的任意一个，那么实际上就有 X 61 X_{61} X61​, X 62 X_{62} X62​, X 63 X_{63} X63​, X 64 X_{64} X64​, X 65 X_{65} X65​五个不同的值。在上面这幅图中，就对应了虚线框中五种颜色示意的到达时间节点 6 6 6的五条路径，他们分别都是在时间节点 6 6 6时到达对应状态 i i i的最大概率路