语音信号处理－－韩纪庆－－笔记6－2

隐马尔可夫模型HMM－－hidden markov models

HMM基本思想

1.马尔可夫链

随机序列Xt在任一时刻t可以处在状态1，2，3……且在t+k时刻所处状态为q_t+k的概率仅与它在t时刻的状态qt有关，与t时刻以前它所处的状态无关（其中q都属于状态123中）则称Xt为马尔可夫链。k步转移概率（记为Pxy(k)，在t时刻状态为x的条件下，t+k时刻状态为y的概率）与时间无关时，称为齐次马尔可夫链。k=1时称为一步转移概率，简称转移概率，记为aij，所有转移概率构成转移概率矩阵A，除此之外还需要引入初始概率。实际中马尔可夫链的每一状态可以对应于一个可观测到的物理事件。

HMM基本思想：

著名的ball and urn（球和缸）实验解释－－【简述】N个缸，每个缸里有若干彩色球，随机选缸并从中选球，有放回，每次记录球的颜色，每次观测值不仅与每个缸中彩球的颜色分布有关，还和每次选择哪个缸的转移概率矩阵有关－－缸的隐含序列，球的显性观测序列。

HMM定义：

N马尔可夫链状态数－－缸的个数；

M每个状态对应的观察值个数－－每个缸中彩球的颜色数

pi初始状态概率－－实验开始时选取某个缸的概率

A状态转移概率矩阵－－描述当前缸的条件下选取下一个缸的概率

B观察值概率矩阵－－第j个缸中球的颜色k出现的概率

于是可以记HMM为lamda=(N,M,pi,A,B)

HMM可分为两个部分－－马尔可夫链（pi,A）和随机过程（B描述）

*HMM基本算法

①前向后向算法 用来计算给定一个观察值序列O和一个模型lamda，又lamda产生O的概率（直接求法计算量大，前向后向算法计算量相对减小）

②维特比算法 给定一个观察值序列O和模型lamda，如何确定一个最佳状态序列

③Baum-Welch算法 用于解决HMM训练的问题 给定一个观察值序列 O，确定一个lambda=(pi,A,B),使P（O|lambda）最大