隐马尔可夫模型
隐马尔可夫模型是马尔可夫链的一种,它的状态不能直接观察到,但能通过观测向量序列观察到,每个观测向量都是通过某些概率密度分布表现为各种状态,每一个观测向量是由一个具有相应概率密度分布的状态序列产生。
存在一类重要的随机过程:如果一个系统有
N
\mathrm{N}
N 个状态
S
1
,
S
2
,
S
3
.
.
S
N
S_{1}, S_{2}, S_{3} . . S_{N} \quad
S1,S2,S3..SN 随着时间的推移,该系统 从某一状态转移到另一状态。如果用
q
t
q_{t}
qt 表示系统在时间
t
\mathrm{t}
t 的状态变量,那么
t
\mathrm{t}
t 时刻的状态取值为
S
j
(
1
<
=
j
<
=
N
)
S_{j}(1<=\mathrm{j}<=\mathrm{N})
Sj(1<=j<=N) 的概率取决于前
t
−
1
\mathrm{t}-1
t−1 个时刻
(
1
,
2
,
…
,
t
−
1
)
(1,2, \ldots, \mathrm{t}-1)
(1,2,…,t−1) 的状态, 该概率为 :
p
(
q
t
=
S
j
∣
q
t
−
1
=
S
i
,
q
t
−
2
=
S
k
,
⋯
)
p\left(q_{t}=S_{j} \mid q_{t-1}=S_{i}, q_{t-2}=S_{k}, \cdots\right)
p(qt=Sj∣qt−1=Si,qt−2=Sk,⋯)
- 假设一:如果在特定情况下,系统在时间
t
\mathbf{t}
t 的状态只与其在吋间
t
−
1
\mathrm{t}-1
t−1 的状态相关,则该系统构 成一个离散的一阶马尔可夫链:
p ( q t = S j ∣ q t − 1 = S i , q t − 2 = S k , ⋯ ) = p ( q t = S j ∣ q t − 1 = S i ) p\left(q_{t}=S_{j} \mid q_{t-1}=S_{i}, q_{t-2}=S_{k}, \cdots\right)=p\left(q_{t}=S_{j} \mid q_{t-1}=S_{i}\right) p(qt=Sj∣qt−1=Si,qt−2=Sk,⋯)=p(qt=Sj∣qt−1=Si) -
⋆
⋆
{ }^{\star \star}
⋆⋆ 假设二:*如果只考虑独立于时间
t
\mathrm{t}
t 的随机过程,状态与时间无关,那么
p
(
q
t
=
S
j
∣
q
t
−
1
=
S
i
)
=
a
i
j
,
1
≤
i
,
j
≤
N
p\left(q_{t}=S_{j} \mid q_{t-1}=S_{i}\right)=a_{i j}, \quad 1 \leq i, j \leq N
p(qt=Sj∣qt−1=Si)=aij,1≤i,j≤N 即:
t
\mathrm{t}
t 时刻状态的概率取决于前
t
−
1
\mathrm{t}-1
t−1 个时
刻 ( 1 , 2 , … , t − 1 ) (1,2, \ldots, \mathrm{t}-1) (1,2,…,t−1) 的状态,且状态的转换与时间无关,则该随机过程就是马尔可夫模型。