0.阅读提示
隐马尔可夫模型在《机器学习中的数学:概率统计》中已经做了完整详细的介绍,为了保证本专栏关于动态度模型部分的完整性,第20讲和第21讲直接引用《机器学习中的数学:概率统计》专栏中的内容,老读者可以直接跳过这两讲内容,直接进入到卡尔曼滤波部分。
1.从马尔科夫链到隐马尔科夫模型
在前面的内容里,我们详细介绍了马尔科夫链,下面我们接着来说说隐马尔科夫模型,他的英文全称是Hidden Markov Model,也就是我们经常看到的HMM模型。隐马尔科夫模型是一种统计模型,他广泛的应用在语音识别、词性自动标注、概率文法等自然语言处理的各个应用领域。
经过前面的学习,我们对马尔科夫链已经相当熟悉了,这里谈到的隐马尔科夫模型与他在名称上可以说是非常接近。其关键差异就在于一个“隐”字,在这个模型中,他首先由一个隐藏的马尔科夫链随机生成一个状态随机序列,再由状态随机序列中的每一个状态对应生成各自的观测,由这些观测组成一个观测随机序列。因此,隐马尔科夫模型中其实伴随着两条“线”,一个是观测随机序列这条“明线”,另一个是隐藏着的状态随机序列这条“暗线”
2.典型实例:盒子摸球实验
当然,为了更清晰的说明问题,我们举几个生活中实际的例子,作为我们介