1.概念
- 状态序列:
隐藏的马尔科夫链随机生成的状态序列,称为状态序列(state sequence) - 观测序列
每个状态生成一个观测,而由此产生的观测的随机序列,称为观测序列(obeservation sequence) - 马尔科夫模型:
马尔科夫模型是关于时序的概率模型,描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列,再由各个状态生成一个观测而产生观测随机序列的过程。
2 形式定义:
设Q是所有可能的状态的集合,V是所有可能的观测的集合。
Q=q1,q2,...,qN,V=v1,v2,...,vM
其中,N是可能的状态数,M是可能的观测数。
I是长度为T的状态序列,O是对应的观测序列。
I=(i1,i2,...,iT),O=(o1,o2,...,oT)
A是状态转移矩阵(一个时刻一个状态转移矩阵):
A=[aij]N×N
i=1,2,…,N; j=1,2,…,N
其中,在时刻t,处于 qi 状态的条件下在时刻t+1转移到状态 qj 的概率:
aij=P(it+1=qj|it=qi)B是观测概率矩阵(一个时刻一个观测概率矩阵):
B=[bj(k)]N×M
k=1,2,…,M; j=1,2,…,N
其中,在时刻t处于状态 qj 的条件下生成观测 vk 的概率:
bj(k)=P(ot=vk|it=qj)π是初始状态概率向量:
π=(πi)
其中, πi=P(i1=qi)
隐马尔科夫模型由初始状态概率向量π、状态转移概率矩阵A和观测概率矩阵B决定。π和A决定状态序列,B决定观测序列。因此,隐马尔科夫模型λ可以由三元符号表示,即:
λ=(A,B,π)
A,B,π称为隐马尔科夫模型的三要素。
- 从定义可知,隐马尔科夫模型的两个基本假设:
(1):设隐马尔科夫链在任意时刻t的状态只依赖于其前一时刻的状态,与其他时刻的状态及观测无关,也与时刻t无关。(齐次马尔科夫性假设)
(2):假设任意时刻的观测只依赖于该时刻的马尔科夫链的状态,与其他观测和状态无关。(观测独立性假设)
3.概率计算问题
- 问题描述:给定模型 λ=(A,B,π) 和观测序列 O=o1,o2,...,oT ,计算在模型λ下观测序列O出现的概率P(O|λ)。
3.1 直接计算法
直接计算法是按照概率公式直接计算。通过列举所有可能的长度为T的状态序列I,求各个状态序列I与观测序列O的联合概率P(O,I|λ),然后对所有可能的状态序列求和,得到P(O|λ),即
P(O|λ)=∑IP(O|I,λ)P(I|λ)=∑Iπi1bi1(o1)ai1i2bi2(o2)...aiT−1iTbiT(oT)
计算量太大,时间复杂度: