1. HMM-隐马尔科夫模型
具有马尔科夫属性的概率有向图
1.1 两个空间三组参数
状态空间:隐状态S的取值范围
观测空间:观测状态O的取值范围
发射概率:初始状态的概率分布,记做π
转移概率:不同状态之间的转移概率,可以用转移矩阵表示,记做a
输出概率:基于当前状态,不同输出的概率分布,记做b
模型参数λ = (a, b, π)
1.2 两个假设
1、 齐次假设:即马尔科夫假设
2、 观测独立性假设:观测值只取决于对应的状态值,与其他状态无关
1.3 三个问题
1、 概率计算:已知模型参数λ求某个观测序列O的概率
2、 预测:已知模型参数和观测序列O,求最有可能的隐状态序列
3、 学习:已知观测序列O(或者还要状态序列S),对参数进行估计
2、三个问题的计算方法
2.1 概率计算-前、后向算法
两种方法从本质上讲都是动态规划,他们可以分别用来求解p(O|λ)
前向算法: