本文介绍了时序模型的概念，以HMM为例，探讨了其在处理观察序列中的两个核心问题：推断问题（确定隐藏状态序列）和参数估计问题（估算模型参数）。通过硬币投掷的例子，阐述了HMM如何解决这两个问题。同时，提到了HMM在语音识别中的应用，即从波形观测值中推断出单词序列。最后，提到了动态规划算法在计算观测序列概率中的作用。
时序模型：数据会随着时间的改变二进行改变，比如温度、说话等。HMM模型是一个时序模型，因为是个时序模型所以每时每刻都有一个观测值。下图所示：
Z为隐式变量，X为已知的观测值。
扔不均衡硬币
有两枚硬币A和B，这两枚硬币正反面概率不一样，我们记A和B各自出现正面的概率分别为u1和u2。现在小明进行扔硬币，我进行结果的观测，我跟小明之间有东西挡着，互相看不见，观测结果如下图所示：
那么就有两个问题：
问题1：目前我们得到了观测序列，我们能否推出小明扔硬币的序列是什么？称为inference问题
问题2：能够推出u1和u2各自的值是多少？能够推出小明扔完A/B硬币后再扔B硬币或者A硬币的概率矩阵？（如下图所示） 该问题称为参数估计问题
即：能够根据观测值推出参数，并且再推出参数的基础上推出序列？
问题3：我们观测到的这个序列，即正反正正，的概率是多少？（动态规划算法）
以上三个问题即为HMM里面三大问题
同样也可以用于语音识别。用户说的语音会变成波形，这种波形会被标记成观测值，然后由观测值去推测用户说了哪些单词，这个过程叫做decoding或者inference
扫一扫
1413
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
