隐马尔可夫模型（二）：模型详解

最新推荐文章于 2024-01-12 23:55:06 发布

拉克丝の碎花裙

最新推荐文章于 2024-01-12 23:55:06 发布

阅读量1.1k

点赞数

分类专栏：笔记文章标签：算法概率论

本文链接：https://blog.csdn.net/qq_51945755/article/details/122190995

版权

21 篇文章 0 订阅

订阅专栏

2021SC@SDUSC

HMM图解：

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。

一般将一个隐马尔可夫模型记为： $\lambda = [\pi , A , B]$

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 $\pi = (\pi_{1},\pi_{2},...,\pi_{N})$ ， $\pi_{i}$ 表示模型的初始状态为 $S_{i}$ 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[ $a_{ij}$ ]，其中 $a_{ij}$ 表示在任意时刻 t，若状态为 $S_{i}$ ，则在下一时刻状态为 $S_{j}$ 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=[( $b_{ij}$ )]。其中， $b_{ij}$ 表示在任意时刻 t，若状态为 $S_{j}$ ，则观测值 $O_{j}$ 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 $Y_{1}$ ;

(2) 根据状态值和输出观测概率 B 选择观测变量取值 $X_{t}$ ;

(3) 根据状态值和状态转移矩阵 A 转移模型状态，即确定 $Y_{t+1}$ ;

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 $\mu = [\pi ,A,B]$ ，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 $\mu = [\pi ,A,B]$ ，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。

关注