HMM算法
算法描述
Generating Patterns
Generating Patterns包括determination pattern和non- determiniation pattern 两种 ,在non-determiniation中,我们假设当下的状态仅与前k个状态有关,这种假设下得到的模型也就是K阶马尔科夫模型。当k=1时,得到1阶马尔科夫模型。
一阶马氏模型有以下三个要素:- 状态
- PI向量:系统初始化每个状态的概率
- 状态转移矩阵(该矩阵在系统生命周期内保持不变)
- Hidden Patterns
观察的状态->(隐藏的状态)->结果
引入:Hidden Markov Models
参数:三元组(PI,A,B)
PI:初始向量
A:转移矩阵
B:观测矩阵(或者混淆矩阵):包含了观察的状态与隐藏状态的关系
前向后向算法
input:Markov Model λ=(A,B,π) ,观察序列 O
output:观测序列概率
需要的公式:( i=1,2,.....N )
α1(i)=πibi(o1)
αt+1(i)=[∑Nj=1αt(j)aji]bi(ot+1)
βT(i)=1
βt(i)=