本文详细介绍了隐马尔可夫模型（HMM）的学习问题，包括有监督的最大似然估计算法及无监督的Baum-Welch算法（EM算法的一种应用）。在最大似然估计中，讨论了如何估计转移矩阵、发射矩阵和初始概率矩阵。随后，文章深入探讨了Baum-Welch算法的原理和求解流程，用于在只有观测序列的情况下估计模型参数。
学习问题
已知观测序列O，估计模型λ的参数，使得在该模型下观测序列概率P（O|λ）最大。
解决算法
最大似然估计（有监督）
有监督意味着已知在给定的训练集中观测序列O={o1,o2,…,oT}和隐状态序列I={i1,i2,…,iT}
求模型λ=(A,B,π)的参数，也就是转移矩阵，发射矩阵，初始概率矩阵。
算法流程如下：
- 转移概率aij的估计
设样本中时刻 t 处于状态 i 时刻 t+1 转移到状态j的次数为 Aij，从状态转移到状态的概率aij的估计是：
其中，分母表示从状态 i 转移到任意状态的次数。
- 观测概率bj(k)的估计:
设样本中状态为 j 并观测为 k 的频数是Bjk，那么状态为j观测为k的概率bj(k）的估计是:
最低0.47元/天 解锁文章
扫一扫
588
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
