自用-隐马尔可夫模型HMM

最新推荐文章于 2024-07-20 09:51:47 发布

樱落不是姐姐

最新推荐文章于 2024-07-20 09:51:47 发布

阅读量393

点赞数 5

文章标签：算法

本文链接：https://blog.csdn.net/mengxianshen/article/details/135854771

版权

1.马尔可夫预测及马尔可夫链

马尔可夫链：设{Xn}（n=0，1，2......）是一个随机序列，可以表示不同的状态（如染病，赚钱等）那么如果有人第一天处于状态1，第二天处于状态2......以此类推，我得知了他的前N天的所有状态，我想预测他的第N+1天的状态，则条件概率表达式为： $P\left \{ X_{N+1}=2|X_{1}=1,X_{2}=2......X_{N}=N \right \}=P\left \{ X_{N+1}=2|X_{N}=N \right \}$

这也就代表着，我后一天的概率只与前一天的状态有关

时齐马尔科夫链：若对于一条马尔科夫链，满足条件： $P\left \{ X_{m+n}=a|X_{n}=b \right \}=p_{a+b}(m)$ 也就是某人第n天处于状态b，m天后处于状态a的概率为 $p_{a+b}(m)$ 那么则称这条马尔科夫链满足时齐性。我们想通过这个式子表达一种观念，即：从某种状态（b)转换到某种状态(a)的概率只与时间间隔有关，与起始时刻等均无关。

注：时齐性是由问题本身决定的（需要查文献）

当m=1时，所有的 $p_{a+b}(1)$ 满足的矩阵叫做一步转移矩阵，一步转移概率则需要通过查阅资料后根据统计数据算估计值

2.具体操作过程：

设存在一个过程：状态只有4种

1 2 3 4 2 3 1 2......

那我们假设待求的状态为3，那么我们先统计3到其他状态，即在过程中3-1，3-2，3-3，3-4的次数分别为a,b,c,d那么一步转移矩阵的第三行就是：a/(a+b+c+d) b/(a+b+c+d) c/(a+b+c+d) d/(a+b+c+d).......通过这样的步骤我们就可以建立起整个一步转移矩阵，我们设其为P。然后我们通过估计可以算出起始行向量为 $P^{0}$ ,那么在经历n次后我们最终这个概率矩阵 $P^{n}$ = $P^{^{0}}*P^{^{n}}$ ，即可完成预测。

3.隐马尔可夫模型（HMM）基本概念

当我们想对一个特征进行预测时，如天气的好坏，降雨量的多少等，现有的数据集并没有包含该项特征，但该特征符合马尔可夫，我们可以通过一些可以观测到的特征，比如海藻的干燥情况来推断出降雨量的多少，这就是隐马尔科夫的核心思想。

数学定义：

$\left \{ Q_{n} \right \}=\left \{ Q_{1},Q_{2}......Q_{n} \right \}$ 为所有可能的状态（降雨量多少....）

$\left\{V_{m}\right\}=\left \{ V_{1},V_{2}.......V_{m} \right \}$ 为所有可观测的状态（海藻干不干....)

$\left\{O_{t}\right\}=\left\{O_{1},O_{2}......O_{t}\right\}$ 为长度为t的观测序列（{干，不干，半干，干......})

$\left\{I_{t}\right\}=\left\{I_{1},I_{2}....I_{t}\right\}$ 为长度为t的状态序列（{1000，500，1000......})

其中Q是不可见的，而V是可见的.

那么主要参数就只有三个：A,B,Π

$a_{ij}=P\left\{i_{t+1}=q_{j}|i_{t}=q_{i}\right\}$ （即t时刻为i状态t+1时刻变为j状态的概率）

$b_{ij}=P\left\{i_{t}=q_{i}|o_{t}=v_{j}\right\}$ （即t时刻状态为i的情况下观测到j的概率）

$\pi _{i}=P\left\{i=q_{i}\right\}$ 就是在t等于1的时候取到 $q_{i}$ 的概率

4.三大基本问题

懒得写了，直接贴链接一文带你了解隐马尔可夫模型（含详细推导） - 知乎 (zhihu.com)

樱落不是姐姐

关注

5
点赞
踩
7

收藏

觉得还不错? 一键收藏
1
评论
自用-隐马尔可夫模型HMM

那我们假设待求的状态为3，那么我们先统计3到其他状态，即在过程中3-1，3-2，3-3，3-4的次数分别为a,b,c,d那么一步转移矩阵的第三行就是：a/(a+b+c+d) b/(a+b+c+d) c/(a+b+c+d) d/(a+b+c+d).......通过这样的步骤我们就可以建立起整个一步转移矩阵，我们设其为P。为长度为t的状态序列（{1000，500，1000......})为长度为t的观测序列（{干，不干，半干，干......})也就是某人第n天处于状态b，m天后处于状态a的概率为。
复制链接

扫一扫