AI算法工程师 | 09机器学习-概率图模型（三）隐马尔可夫模型 HMM

最新推荐文章于 2024-03-15 05:08:16 发布

艾伦！

最新推荐文章于 2024-03-15 05:08:16 发布

阅读量1.3k

点赞数 1

分类专栏： AI算法工程师文章标签：人工智能算法 HMM

本文链接：https://blog.csdn.net/thisamy/article/details/128546630

版权

AI算法工程师专栏收录该内容

21 篇文章 33 订阅

订阅专栏

机器学习 - 概率图模型之隐马尔可夫模型 HMM

一、马尔科夫链

回顾：概率图模型的分类

概率图模型

HMM（隐马尔可夫模型）属于贝叶斯网络（有向图模型）的一种——是最简单的动态贝叶斯网络。

马尔可夫过程（Markov Processes）

马尔科夫过程

定义：假设一个随机过程中， $t_n$ 时刻的状态 $s_n$ 的条件分布，仅仅与其前一个状态 $s_{n-1}$ 有关，即 $P(s_n|s_1,s_2,\ldots,s_{n-1})=P(s_n|s_{n-1})$ ，则将其称为马尔可夫过程。
特性：在已知系统当前状态的条件下，它未来的演变不依赖于过去的演变。
- 也就是说，一个马尔可夫过程可以表示为：系统在状态转移过程中，第 t+1 次结果只受第 t 次结果的影响，即只与当前状态有关，而与过去状态（系统的初始状态和此次转移前的所有状态）无关。
注意：马尔可夫过程其原始模型是马尔可夫链。

马尔科夫链（Markov Chain）
马尔可夫链

定义：时间、状态都是离散的马尔可夫过程称为马尔可夫链。
注意：隐马尔可夫模型是对含有未知参数（隐变量）的马尔科夫链进行建模的生成模型。

二、HMM 的基本概念

1、HMM 背景与定义

提出背景

HMM 的定义

HMM 的定义

隐马尔可夫模型（Hidden Markov Model, HMM）描述由隐藏的马尔科夫链生成观测序列的过程：
- 一条隐藏的马尔可夫链随机生成了一个不可观测的状态序列（state sequence）；
- 然后每个状态又对应生成了一个观测结果，这些观测值按照时序排列后就成了观测序列（observation sequence）。
- 这两个序列（状态序列、观测序列）是一一对应的，每个对应的位置又对应着一个时刻。
HMM 是一个关于时序的概率模型，它的变量分为两组：
- ① 状态变量 ${s_1,s_2,...,s_n}$ ，如： $s_t$ 表示 $t$ 时刻的系统状态；
- ② 观测变量 ${o_1,o_2,...,o_n}$ ，如： $o_t$ 表示 $t$ 时刻的观测值。
- 状态变量和观测变量各自都是一个时间序列，每个状态/观测值都和一个时刻相对应。
HMM（Hidden Markov Model）各字母的含义：
- 一般假定状态序列是隐藏的，不能被观测到的，因此状态变量是隐变量，这就是 HMM 中的 H（Hidden）的来源。
- 这个隐藏的，不可观测的状态序列是由一个马尔可夫链随机生成的，这是 HMM 中的第一个 M（Markov）的含义。
状态变量与观测变量的取值：
- 一般而言，HMM 的状态变量取值是离散的；而观测变量的取值，则可以是离散的，也可以是连续的。
- 不过为了方便讨论，也因为在大多数应用中观测变量也是离散的，因此，我们下面仅讨论状态变量和观测变量都是离散的情况。

2、HMM 的两个基本假设

两个假设：① 齐次马尔可夫假设、② 观测独立性假设

两个假设

3、确定 HMM 的两个空间和三组参数

两个空间：① 状态空间 Q、② 观测空间 V

两个空间

三组参数：① 状态初始概率分布 π、② 状态转移矩阵 A、③ 观测概率矩阵 B（又称：发射概率矩阵、混淆矩阵）

三组参数

三、HMM 三个基本问题 | 导图

三个基本问题：① 概率计算问题、② 预测问题、③ 学习问题

导图：
三个基本问题

四、HMM 相关算法

下面通过一个示例，分别使用前向算法求观测序列的概率、用维特比算法处理预测问题——目的：了解前向算法、维特比算法的思想

1、前向算法

导图：前向算法的流程梳理

示例：使用前向算法求 HMM 观测序列的概率

2、维特比（Viterbi）算法

导图：维特比算法的流程梳理

示例：维特比算法解码隐藏状态序列（预测问题）

时刻1
时刻2
时刻3

五、案例：Viterbi 算法的代码实现

案例分析：
案例分析1
案例分析2

代码实现：（工具：PyCharm，基于：python3）

"""
维特比（Viterbi）算法处理预测问题
⭐ 学习时间：2023.1.27
"""


def viterbi(obs, states, start_p, trans_p, emit_p):
    """
    :param obs:观测序列
    :param states:隐状态
    :param start_p:初始概率（隐状态）
    :param trans_p:转移概率（隐状态）
    :param emit_p: 发射概率 （隐状态表现为显状态的概率）
    :return:
    """
    
    V = [{}]  # 路径概率表 V[时间][隐状态] = 概率
    path = {}  # 一个中间变量，代表当前状态是哪个隐状态

    # ------ 初始化初始状态 (t == 0) ------ 
    for y in states:
        V[0][y] = start_p[y] * emit_p[y][obs[0]]
        path[y] = [y]
    print(V[0])
    print(path)

    # ------ 对 t > 0 跑一遍维特比算法 ------ 
    for t in range(1, len(obs)):
        V.append({})
        newpath = {}

        for y in states:
            # 概率 隐状态 =    前状态是y0的概率 * y0转移到y的概率 * y表现为当前状态的概率。注：下面包含了一个列表生成式
            (prob, state) = max([(V[t - 1][y0] * trans_p[y0][y] * emit_p[y][obs[t]], y0)
                                 for y0 in states])

            V[t][y] = prob  # 记录最大概率
            newpath[y] = path[state] + [y]  # 记录路径

        print(V[t])

        path = newpath  # 不需要保留旧路径
        print(path)
        
    (prob, state) = max([(V[len(obs) - 1][y], y) for y in states])
    return prob, path[state]


if __name__ == '__main__':
    states = ('Rainy', 'Sunny')  # 隐状态
    observations = ('walk', 'shop', 'clean')  # 观测序列
    start_probability = {'Rainy': 0.6, 'Sunny': 0.4}  # 状态初始概率分布 π
    # 状态转移矩阵 A
    transition_probability = {
        'Rainy': {'Rainy': 0.7, 'Sunny': 0.3},
        'Sunny': {'Rainy': 0.4, 'Sunny': 0.6},
    }
    # 观测概率矩阵 B（又称：发射概率矩阵、混淆矩阵）
    emission_probability = {
        'Rainy': {'walk': 0.1, 'shop': 0.4, 'clean': 0.5},
        'Sunny': {'walk': 0.6, 'shop': 0.3, 'clean': 0.1},
    }

    result = viterbi(observations,
                     states,
                     start_probability,
                     transition_probability,
                     emission_probability)

    print(result)

运行结果：

运行结果

补充：下面是上述代码中涉及的部分 python 知识点梳理

在 viterbi 函数中，(prob, state) = max([(V[t - 1][y0] * trans_p[y0][y] * emit_p[y][obs[t]], y0) for y0 in states]) 包含了 python 的列表生成式

含义：

# 概率 隐状态 =   前状态是y0的概率 * y0转移到y的概率 * y表现为当前状态的概率。
(prob, state) = max([(V[t - 1][y0] * trans_p[y0][y] * emit_p[y][obs[t]], y0)
                         for y0 in states])
""" 
代码解析：（结合完整代码进行理解）
① 列表生成式: [(V[t - 1][y0] * trans_p[y0][y] * emit_p[y][obs[t]], y0) for y0 in states]
	—— 循环获取 states 中的每个状态，计算概率，并分别以 (概率,前状态) 元组的形式呈现，然后用列表依次装着这些元组；
② max(...) 对列表中的元组取最大值，元组是逐位比较大小的：
	—— 将第一个元组的第一项与第二元组的第一项进行比较，若它们不相等(即第一个大于或小于第二个)那么这就是比较的结果。否则考虑第二项，然后是第三项，依此类推。
③ 将最终得到的元组 如 (0.01344, 'Rainy') 中的元素值分别对应赋值给 prob、state ，即：prob=0.01344、state='Rainy'。
"""

示例：列表生成式

—— 说明：本文写于 2023.1.27~1.29，文中内容基于 python3，使用工具 PyCharm 编写的代码

艾伦！

关注

1
点赞
踩
10

收藏

觉得还不错? 一键收藏
1
评论
AI算法工程师 | 09机器学习-概率图模型（三）隐马尔可夫模型 HMM

隐马尔可夫模型 HMM：一、马尔科夫链；二、HMM 的基本概念（1、HMM 背景与定义，2、HMM 的两个基本假设，3、确定 HMM 的两个空间和三组参数）；三、HMM 三个基本问题 | 导图；四、HMM 的前向算法、维特比（Viterbi）算法；五、案例：Viterbi 算法的代码实现
复制链接

扫一扫