本文介绍了隐马尔可夫模型（HMM），包括模型的结构信息，如状态变量与观测变量的关系，以及确定HMM所需的状态转移、输出观测和初始状态概率参数。此外，还详细阐述了HMM在实际应用中面临的评估匹配程度、推断隐藏状态和训练模型优化三个基本问题及其解决方案，如前向算法、后向算法、维特比算法和鲍姆-韦尔奇算法。
- 说明：学习笔记，内容来自周志华的‘机器学习’书籍和加号的‘七月在线’视频。
隐马尔可夫模型
隐马尔可夫模型（Hidden Markov Model，简称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。——周志华《机器学习》
1.隐马尔可夫模型的结构信息：
隐马尔可夫模型中的变量可以分为两组，第一组是状态变量{
y1,y2,...,yn y 1 , y 2 , . . . , y n },，其中 yi∈y y i ∈ y 表示第 i i 时刻的系统状态，通常假定状态变量是隐藏的、不可被观测的，因此状态变量也被称为隐变量。第二组是观测变量{
},其中 xi∈x x i ∈ x 表示第 i i 时刻的观测值，如下图所示：
模型的图结构看起来有点类似于我们熟知的RNN模型。图中的箭头表示变量之间的依赖关系。在任意时刻，观测变量的取值仅依赖于状态变量，与其他状态变量和观测变量的取值无关。同时，
时刻的状态仅依赖于 t−1
最低0.47元/天 解锁文章
扫一扫
1862
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
