概率图模型中的隐马尔科夫模型（HMM）是一种动态贝叶斯网，常用于时序数据建模，如语音识别和自然语言处理。模型包括隐藏状态变量和观测变量，遵循马尔科夫链的依赖关系。状态变量之间的转移概率由矩阵A表示，观测值由矩阵B给出，初始状态概率由π表示。HMM通过指定状态空间、观测空间和这三组参数来定义。
概率图模型是一类用图来表达变量相关关系的概率模型。它以图为表示工具，最常见的是用一个节点表示一个或一组随机变量，节点之间的边表示变量间的概率相关关系，即“变量关系图”。根据边的性质不同，概率图模型可大致分为两类：第一类是使用有向无环图表示变量间的依赖关系，称为有向图模型或贝叶斯网。第二类是使用无向图表示变量间的依赖关系，称为无向图模型或马尔科夫网。
隐马尔科夫模型（Hidden Markov Model,HMM）是结构最简单的动态贝叶斯网，这是一种著名的有向图模型，主要用于时序数据建模，在语音识别、自然语言处理等领域有广泛应用。
如上图所示，隐马尔可夫模型中的变量可分为两组。
第一组是状态变量{y1 ,y2, … , yn}，其中yi表示第i时刻的系统状态，通常嘉定状态变量是隐藏的，不可被观测的，因此状态变量也称作隐变量。
第一组是状态变量{x1 ,x2, … , xn}，其中xi表示第i时刻的观测值。在隐马尔科夫模型中，系统通常在多个状态{s1 ,s2, … , sN}之间转换，因此状态变量yi的取值范围通常是有N个可能取值的离散空间。观测变量xi 可以是离散型也可以是连续型。
上图的箭
最低0.47元/天 解锁文章
1177
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
