目录
1 概率计算问题:给定模型参数以及观测值序列,计算(前向-后向算法)
2 学习问题:已知观测序列Q,估计模型参数,使得最大(Baum-Welch算法)
3 预测问题:已知模型参数以及观测序列,使得最大(Viterbi算法)
1)近似算法(使每个状态达到最优状态,即单个状态的最大概率表示该状态)
2)Viterbi算法(采用动态规划的思想,选择概率最大的路径以及对应的状态序列)
一 马尔科夫性质与马尔科夫链
1 马尔科夫性质(以三段式描述)
大前提
是一个随机过程,且为其状态空间
小前提
结论(当前状态的条件分布只与上一个状态有关)
注意:满足马尔科夫性质的随机过程,称为马尔科夫过程
2 马尔科夫链
1)概念
马尔科夫链是指具有马尔科夫性质的随机过程,在过程中,给定当前状态下,预测将来的状态与过去的状态无关
2)三要素
要素一:状态空间(各种状态组成的集合)
要素二:转移概率矩阵
马尔科夫链的每一步,系统根据条件概率分布,可以从当前状态变为另一状态,也可以保持当前状态不变
要素三:初始概率分布(各个状态的初始化概率)
二 隐马尔科夫模型参数说明
1 隐马尔科夫模型概念
第一点:隐马尔科夫模型由隐状态S,可观测值O,初始概率分布,隐状态转移概率矩阵A,观测值转移概率矩阵B组成
第二点:状态概率转移矩阵A和初始概率分布决定了状态序列,观测值转移概率矩阵B决定了观测序列
第三点:隐马尔科夫模型可以使用三元符号表示:
2 具体参数说明
1)隐状态S(是所有可能的状态集合)
2)可观测值O(是所有可能的观测值集合)
3)状态序列,以及对应的观测序列
4)隐状态转移概率矩阵A
注意:
5)观测值转移概率矩阵B
注意:
6)初始状态概率分布
注意:
3 隐马尔科夫模型两个重要性质
性质1:当前状态仅与上一个状态有关
性质2:当前状态的观测值仅与当前状态有关