原文来自:博客园(华夏35度)http://www.cnblogs.com/zhangchaoyang 作者:Orisun
HMM介绍
Hidden Markov Models是一种统计信号处理方法,模型中包含2个序列和3个矩阵:状态序列S、观察序列O、初始状态矩阵P、状态转移矩阵A、混淆矩阵B。举个例子来说明。
你一个异地的朋友只做三种活动:散步、看书、做清洁。每天只做一种活动。假设天气只有两种状态:晴和兩。每天只有一种天气。你的朋友每天告诉你他做了什么,但是不告诉你他那里的天气。
某一周从周一到周五每天的活动分别是{读书,做清洁,散步,做清洁,散步}----这就是观察序列O,因为你可以观察得到。
从周一到周五的天气依次是{晴,兩,晴,晴,晴}----这就是状态序列S,状态序列是隐藏的,你不知道。
根据长期统计,某天晴的概率是0.6,兩的概率是0.4。则。
从晴转晴的概率是0.7,从晴转兩的概率是0.3。从兩转晴的概率是0.4,从兩转兩的概率是0.6。则。
天气晴时,散步的概率是0.4,看书的概率是0.3,做清洁的概率是0.3。天气兩时,散步的概率是0.1,看书的概率是0.4,做清洁的概率是0.5。则。
该模型和实际情况有明显不符的地方:用一简单的状态转移矩阵A来表示状态的转移概率的前提是t时刻的状态只跟t-1时刻的状态有关,而实际上今天的天气跟过去几天的天气都有关系,而且跟过去几天的晴朗程度、兩量大小都有关系;混淆矩阵B认为今天的活动只跟今天的天气有关系,实际上今天的活动跟过去几天的活动也有关系,比如过去一周都没有打扫房间,那今天做清洁的概率就大大增加。
模型介绍完了。
评估问题
隐马尔可夫模型中包含一个评估问题:已知模型参数,计算某一特定输出序列的概率。通常使用forward算法解决。
比如计算活动序列{读书,做清洁,散步,做清洁,散步}出现的概率,就属于评估问题。
如果穷举的话,观察序列会有2^5种,需要分别计算它们出现的概率,然后找出概率最大的。
穷举法中有很多重复计算,向前算法就是利用已有的结果,减少重复计算。
算法借助于一个矩阵Q[LEN][M],其中M是所有状态的种数,Q[i][j]表示从第0天到第i天,满足观察序列,且第i天隐藏状态为Sj的所有可能的隐藏序列的概率之和。最终所求结果为Q[LEN-1][0]+...+Q[LEN-1][M-1],即最后一天,所有隐藏状态下,分别满足观察序列的概率值之和。
比如Q[0][0]=p(第一天做卫生 且 第一天晴)=p(天晴)*p(做卫生|天晴)=P[0]*B[0][2]=0.6*0.3=0.18
Q[0][1]=p(第一天做卫生 且 第一天下雨)=p(下雨)*p(做卫生|下雨)=P[1]*B[1][2]=0.4*0.5=0.2
Q[1][0]=p(第一天做卫生 且 第二天晴 且 第二天做卫生)
=p(第一天做卫生 且 第二天晴)*p(天晴的情况下做卫生)
=p{ p(第一天做卫生 且 第一天晴)*p(从天晴转天晴)+p(第一天做卫生 且 第一天下雨)*p(从下雨转天晴) }*p(天晴的情况下做卫生)
={ Q[0][0]*A[0][0] + Q[0][1]*A[1][0] } * B[0][2]
Q[1][1]= ……
…… ……
可以看到计算Q矩阵的每i行时都用到了第i-1行的结果。
解码问题
解码问题是:已知模型参数,寻找最可能的能产生某一特定输出序列O(LEN)的隐含状态的序列。通常使用Viterbi算法解决。
观察序列长度为LEN,则隐藏状态序列长度也是LEN,如果采用穷举法,就有M^LEN种可能的隐藏状态序列,我们要计算每一种隐藏状态到指定观察序列的概率,最终选择概率最大的。
穷举法中有很多重复计算,Viterbi算法就是利用已有的结果,减少重复计算。
跟评估问题非常相似,不同点在于评估算的是和,解码算的是最大值。
Viterbi算法主要就是在计算一个矩阵Q[LEN][M],其中Q[i][j]表示从第0天到第i天,满足观察序列,且第i天隐藏状态为Sj的所有可能的隐藏序列的概率的最大值。另外还要建立一个矩阵Path[LEN][M],用来记录状态序列中某一状态之前最可能的状态。
举个例子,假如指定观察序列是{读书,做卫生,散步,做卫生,散步},求出现此观察序列最可能的状态序列是什么。
Q[0][0]=p(第一天读书 且 第一天晴)=p(天晴)*p(读书|天晴)
Path[0][0]=-1;
Q[0][1]=p(第一天读书 且 第一天下雨)=p(下雨)*p(读书|下雨)
Path[0][1]=-1;
关键是从第二天开始,Q[1][0]表示:满足“第一天读书 且 第二做卫生 且 第二天晴”的所有可能的隐藏序列的概率的最大值。那么满足“第一天读书 且 第二做清洁 且 第二天晴”的所有可能的隐藏序列有哪些呢?第二天是必须满足晴天的,第二天之前的状态可以任意变。则所有可能的隐藏序列就是“晴 晴”和“雨 晴”。实际上考虑第三天(及第三天以后)时,并不需要考虑“所有”可能的隐藏序列,而只需要考虑第二天的不同状态取值,这是因为马氏过程有无后效性--tm时刻所处状态的概率只和tm-1时刻的状态有关,而与tm-1时刻之前的状态无关。
Q[1][0]=
max{ p(第一天晴 且 第一天读书 且 第二天晴 且第二天做卫生) ,p(第一天下雨 且 第一天读书 且 第二天晴 且 第二天做卫生) }
=max{ p(第一天读书 且 第一天晴)*p(天晴转天晴),p(第一天读书 且 第一天下雨)*p(下雨转天晴) } * p(做卫生|天晴)
=max{ Q[0][0]*A[0][0],Q[0][1]*A[1][0] } * B[0][2]
假如Q[0][0]*A[0][0] < Q[0][1]*A[1][0],则Path[1][0]=1;假如Q[0][0]*A[0][0] > Q[0][1]*A[1][0],则Path[1][0]=0。
Q[1][1]= ……
…… ……
可以看到计算Q矩阵的每i行时都用到了第i-1行的结果。
下面给出两种算法的Java代码:
package hmm; /** * @author Orisun * date 2011-10-20 */ import java.util.ArrayList; import java.util.Collections; public class HMM { ArrayList<String> state; ArrayList<String> observation; double[] P; double[][] A; double[][] B; int M; int N; HMM() { // 天气只有两种状态:晴和兩。每天只有一种天气。 state = new ArrayList<String>(); state.add("sunny"); state.add("rain"); M = state.size(); // 活动只有三种:散步、看书、做清洁。每天只做一种活动。 observation = new ArrayList<String>(); observation.add("walk"); observation.add("read"); observation.add("clear"); N = observation.size(); // 初始状态矩阵。某天晴的概率是0.6,兩的概率是0.4。 P = new double[] { 0.6, 0.4 }; // 状态转移矩阵。 A = new double[M][]; // 从晴转晴的概率是0.7,从晴转兩的概率是0.3 A[0] = new double[] { 0.7, 0.3 }; // 从兩转晴的概率是0.4,从兩转兩的概率是0.6 A[1] = new double[] { 0.4, 0.6 }; // 混淆矩阵 B = new double[M][]; // 天气晴时,散步的概率是0.4,看书的概率是0.3,做清洁的概率是0.3。 B[0] = new double[] { 0.4, 0.3, 0.3 }; // 天气兩时,散步的概率是0.1,看书的概率是0.4,做清洁的概率是0.5。 B[1] = new double[] { 0.1, 0.4, 0.5 }; } public double forward(ArrayList<String> observe) { double rect = 0.0; int LEN = observe.size(); double[][] Q = new double[LEN][]; // 第一天计算,状态的初始概率,乘上隐藏状态到观察状态的条件概率。 Q[0] = new double[M]; for (int j = 0; j < M; j++) { Q[0][j] = P[j] * B[j][observation.indexOf(observe.get(0))]; } // 第一天以后的计算,首先从前一天的每个状态,转移到当前状态的概率求和,然后乘上隐藏状态到观察状态的条件概率。 for (int i = 1; i < LEN; i++) { Q[i] = new double[M]; for (int j = 0; j < M; j++) { double sum = 0.0; for (int k = 0; k < M; k++) { sum += Q[i - 1][k] * A[k][j]; } Q[i][j] = sum * B[j][observation.indexOf(observe.get(i))]; } } for (int i = 0; i < M; i++) rect += Q[LEN - 1][i]; return rect; } public ArrayList<String> viterbi(ArrayList<String> observe) { ArrayList<String> sta = new ArrayList<String>(); int LEN = observe.size(); double[][] Q = new double[LEN][]; int[][] Path = new int[LEN][]; // 第一天计算,状态的初始概率,乘上隐藏状态到观察状态的条件概率。 Q[0] = new double[M]; Path[0] = new int[M]; for (int j = 0; j < M; j++) { Q[0][j] = P[j] * B[j][observation.indexOf(observe.get(0))]; Path[0][j] = -1; } //第一天以后的计算,首先从前一天的每个状态,转移到当前状态的概率的最大值,然后乘上隐藏状态到观察状态的条件概率。 for (int i = 1; i < LEN; i++) { Q[i] = new double[M]; Path[i] = new int[M]; for (int j = 0; j < M; j++) { double max = 0.0; int index = 0; for (int k = 0; k < M; k++) { if (Q[i - 1][k] * A[k][j] > max) { max = Q[i - 1][k] * A[k][j]; index = k; } } Q[i][j] = max * B[j][observation.indexOf(observe.get(i))]; Path[i][j] = index; } } // 找到最后一天天气呈现哪种状态的概率最大 double max = 0; int index = 0; for (int i = 0; i < M; i++) { if (Q[LEN - 1][i] > max) { max = Q[LEN - 1][i]; index = i; } } System.out.println("出现最可能的隐藏序列的概率是"+max); sta.add(state.get(index)); // 动态规划,逆推回去各天出现什么天气概率最大 for (int i = LEN - 1; i > 0; i--) { index = Path[i][index]; sta.add(state.get(index)); } // 把状态序列再顺过来 Collections.reverse(sta); return sta; } public static void main(String[] args) { HMM hmm = new HMM(); ArrayList<String> obs_seq = new ArrayList<String>(); obs_seq.add("read"); obs_seq.add("clear"); obs_seq.add("walk"); obs_seq.add("clear"); obs_seq.add("walk"); double ratio = hmm.forward(obs_seq); System.out.println(ratio); ArrayList<String> sta_seq = hmm.viterbi(obs_seq); System.out.println(sta_seq.toString()); } }