2021-06-28

                                             隐马尔可夫模型(HMM)：

• 马尔可夫模型是关于时序的概率模型，它是由初始概率分布、状态转移概率分布以及观测概率分布确认的。
  概率模型提供一种描述的框架，将学习任务归结于计算变量的概率分布，在概率模型中，利用已知变量推测出未知变量的分布称为“推断”。
  概率图模型是一类用图来表达变量相关关系的概率模型，以图为表示工具，最常见的是用一个结点表示一个或者一组随机变量，用边来表示变量间的概率相关关系。
  概率图大致分为两类：
  1.有向无环图表示变量之间的依赖关系，称为“有向图”或者“贝叶斯网”
  2.无向图表示变量之间的相关关系，称为“无向图模型”或者马尔可夫网
  隐马尔可夫模型是结构最为简单的动态贝叶斯网，是一种有向模型。 隐马尔可夫模型的图结构如下：
  
• 可以看到，隐马尔可夫模型中的变量分为两组，第一组是状态变量{y_1,y_2,……,y_n}，其中，y_i表示第i时刻的系统的状态，通常假定状态变量是隐藏的、不可观测的，因此，状态变量又被称为隐变量。第二组变量{x_1,x_2,……,x_n}，其中，x_i表示第i时刻的观测值。隐变量y_i的取值范围通常是有N个可能取值的离散空间，观测变量，x_i可以是离散型也可以是连续型。

*- 隐马尔可夫模型中变量的关系：

1.在任一时刻，观测变量的取值仅依赖于隐变量，即，x_i是由y_i确定的，与其他隐变量以及观测变量的取值是无关的。
2. t时刻的隐变量的值y_t仅依赖于(t-1)时刻的y_(t-1)，与此前的(t-2)个状态是无关的，这就是“马尔科夫链”，即：系统的下一个时刻的状态仅取决于当前的状态，不依赖于以往的任何状态。**

确定马尔可夫模型需要三组参数：

1.状态转移概率(隐变量—>隐变量)：模型在各个隐变量转换的概率。

通常记为矩阵A = [〖a_ij]〗(N*N)，其中，
a_ij = P(y(t+1)=s_(t+1) 〖|y〗t= s_t)
表示在任意时刻t，若当前隐变量为s_t，则在下一时刻隐变量为s(t+1)的概率。

2.输出观测概率(隐变量—>观测变量)：模型根据当前的隐变量获得各个观测变值的概率。

通常记为矩阵B = 〖〖[b〗ij]〗(N*M),其中：
b_ij=P(x_t= o_t |y_t= s_t )
表示在任意时刻t，若隐变量为s_t，则观测值o_t被获取的概率。

3.初始状态(隐变量)概率：模型在初始时刻各状态(隐变量)出现的概率。

通常记为π=(π_1,π_2,……,π_n),其中，
π_i=P(y_1= s_i)
表示模型的初始状态(初始隐变量)为s_i的概率。
通常指定状态空间y，观测空间x和上述三组参数，就能确定一个隐马尔可夫模型，通常用参数λ = [A,B, π]来指代。

若给定隐马尔可夫模型λ，按照如下的步骤产生观测序列{x_1,x_2,……,x_n}：

1.设置t = 1，并根据初始状态概率 π 选择初始状态y_1；
2.根据状态y_t 和输出观测概率B来选择观测变量取值x_t;
3.根据状态y_t 和状态转移矩阵A转移模型状态，即确认y_t+1；
4.若t < n，设置 t = t + 1，并转到第(2)步，否则停止。