一、隐马尔科夫模型
隐马尔科夫模型定义:
隐马尔科夫模型随机生成的状态随机序列,称为状态序列;每个状态生成一个观测,由此产生的观测随机序列,称为观测序列;
HMM是关于时序的概率模型,描述由一个隐藏的马尔科夫链生成不可观测的状态随机序列,再由各个状态生成观测随机序列的过程;
隐马尔科夫模型(HMM, Hidden Markov Model)可用标注问题,在语音识别、NLP、生物信息、模式识别等领域被实践证明是有效的算法。
HMM确定:
HMM由初始概率分布π、状态转移概率分布A以及观测概率分布B确定:
HMM的参数:
HMM由初始概率分布π(向量)、状态转移概率分布A(矩阵)以及观测概率分布B(矩阵)确
定。π和A决定状态序列,B决定观测序列。因此,HMM可以用三元符号表示,称为HMM的三要素;
HMM基本性质:
二、HMM相关问题和算法
HMM基本问题:
直接计算方法:
直接计算分析:
前向/后向概率定义:
前向算法:
后向算法:
后向算法的说明:
单个状态的概率定义:
单个状态的概率计算:
γ的意义: