2021SC@SDUSC
HMM图解:
HMM的组成
例如,N 个袋子,每个袋子中有 M 种不同颜色的球。选择一个袋子,取出一个球,得到球的颜色。
- 状态数为 N(袋子的数量)
- 每个状态可能的符号数 M(不同颜色球的数目)
- 状态转移概率矩阵 A =(从一只袋子(状态 Si) 转向另一只袋子(状态 Sj ) 取球的概率)
- 从状态 Sj 观察到某一特定符号 vk 的概率分布矩阵为: (从第 j 个袋子中取出第 k 种颜色的球的概率)
- 初始状态的概率分布为:
一般将一个隐马尔可夫模型记为:
需要确定以下三方面内容(三要素):
- 初始状态概率 π: 模型在初始时刻各状态出现的概率,通常记为,表示模型的初始状态为的概率.
- 状态转移概率 A: 模型在各个状态间转换的概率,通常记为矩阵 A[],其中表示在任意时刻 t,若状态为 ,则在下一时刻状态为 的概率.
- 输出观测概率 B: 模型根据当前状态获得各个观测值的概率通常记为矩阵 B=[()]。其中,表示在任意时刻 t,若状态为,则观测值被获取的概率.
相对于马尔可夫模型,隐马尔可夫只是多了一个各状态的观测概率
给定隐马尔可夫模型 λ=[A,B,π],它按如下过程产生观测序列{X1,X2,...,Xn}:
(1) 设置 t=1,并根据初始状态概率 π 选择初始状态;
(2) 根据状态值和输出观测概率 B 选择观测变量取值 ;
(3) 根据状态值和状态转移矩阵 A 转移模型状态,即确定;
模型用途
一个系统可以作为 HMM 被描述,就可以用来解决三个基本问题。
1. 评估(Evaluation)
给定 HMM,即,求某个观察序列的概率。
例如:给定一个天气的隐马尔可夫模型,包括第一天的天气概率分布,天气转移概率矩阵,特定天气下树叶的湿度概率分布。求第一天湿度为 1,第二天湿度为 2,第三天湿度为 3 的概率。
2. 解码( Decoding)
给定 HMM,即,以及某个观察序列,求得天气的序列。
例如:给定一个天气的隐马尔可夫模型,包括第一天的天气概率分布,天气转移概率矩阵,特定天气下树叶的湿度概率分布。并且已知第一天湿度为 1,第二天湿度为 2,第三天湿度为 3。求得这三天的天气情况。
即:发现“最优”状态序列能够“最好地解释”观察序列
3. 学习(Learning)
给定一个观察序列,得到一个隐马尔可夫模型。
例如:已知第一天湿度为 1,第二天湿度为 2,第三天湿度为 3。求得一个天气的隐马尔可夫模型,包括第一天的天气,天气转移概率矩阵,特定天气下树叶的湿度概率分布。