1. 隐马尔可夫模型的结构信息
隐马尔可夫模型中的变量可以分为两组,第一组是状态变量{y1,y2,…,yn},,其中yi∈y表示第i时刻的系统状态,通常假定状态变量是隐藏的、不可被观测的,因此状态变量也被称为隐变量。第二组是观测变量{x1,x2,…,xn},其中xi∈x 表示第i时刻的观测值,如下图所示:
模型的图结构看起来有点类似于我们熟知的RNN模型。图中的箭头表示变量之间的依赖关系。在任意时刻,观测变量的取值仅依赖于状态变量,与其他状态变量和观测变量的取值无关。同时,t时刻的状态仅依赖于t−1时刻的状态,与其余状态无关,这就是所谓的马尔可夫链。
基于上述的依赖关系,我们得到所有变量的联合概率分布为:
P(x1,y1,…,xn,yn)=P(y1)P(x1|y1)∏i=2nP(yi|yi−1)P(xi|yi)
2.确定一个隐马尔可夫模型需要以下三组参数:
状态转移概率:
模型在各个状态间转换的概率,可以用矩阵A表示
输出观测概率:
模型根据当前状态获得各个观测值的概率,可以用矩阵B=[bij]N∗M表示,N大小为隐藏状态数,M大小为观测值数
初始状态概率:
模型在初始时刻各状态出现的概率,通常记为π=(π1,π2,..,πn)
通过λ=[A,B,π]就可以指代一个隐马尔可夫模型。
说明:
①图中start表示初始状态,则π=(0.6,0.4);
②rainy表示下雨天,sunny表示晴天,当第一天是下雨天的时候,第二天仍然是下雨天的概率是0.7,晴天的概率是0.3;当第一天是晴天时候,第二天是下雨天的概率是0.4,仍然是晴天的概率是0.6;这里的晴天和雨天就是我们模型中所说的隐藏状态。
状态转换概率矩阵A:
A=[0.70.40.30.6]
③walk、shop、clean表示在下雨天或者晴天的时候我们散步、逛街和打扫房间的可能情况,也就是模型中所说的观测变量,在下雨天打扫房间的概率是0.5;晴天的时候更可能出去逛街,所以概率是0.6,通过该图我们可以得到输出观测概率矩阵B:
B=[0.10.60.40.30.50.1]