隐马尔可夫python_隐马尔可夫模型原理和python实现

本文介绍了隐马尔可夫模型(HMM)的基本概念,包括可见状态、隐含状态、状态转移概率和输出概率。通过一个取球的例子解释了HMM的参数关系,并详细阐述了前向算法和维特比算法,用于求解HMM的概率和隐藏状态序列。最后,给出了HMM模型的Python实现。
摘要由CSDN通过智能技术生成

隐马尔可夫模型(Hidden Markov Model,HMM)是统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。

隐马尔可夫模型注意包含以下参数:可见状态链,即观测序列,用

表示。

隐含状态链,隐含状态之间存在转换概率(transition probability),一般用状态转移矩阵A表示。

隐含状态和可见状态之间有一个概率叫做输出概率(emission probability),一般用输出观测矩阵B表示。

初始状态,描述初始各隐含状态的概率,用

表示

隐马尔可夫模型各参数基本含义和关系

用一个例子来表述隐马尔可夫模型各参数的关系:假设三个盒子

按照如下方式进行取球:(1)开始,从三个盒子取球概率分别为0.2,0.4,0.4

(2)从第二次取球开始,设定,若上次从盒子1取球,则下次从三个盒子取球概率为0.5,0.2,0.3;若从盒子2取球,下次从三个盒子取球概率为0.3,0.5,0.2;若从盒子3,下次概率依次为0.2,0.3, 0.5,

重复三次后,得到球观测序列为{红,白,红}。

根据HMM定义,得到,观察集合:{红,白}

状态集合:{盒子1,盒子2,盒子3}

初始状态 [0.2,0.4,0.4]

状态转移概率矩阵

观测概率矩阵

需要注意观测序列和观测集合是两码事。

HMM求解概率—前向算法

首先说明HMM求观测序列概率的前向后向算法。以前向算法为例。

(1) 计算时刻1的观测为

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值