一、 隐马尔可夫模型
- 隐马尔可夫模型是一个关于时序的概率模型,描述由隐马尔科夫链随机生成观测序列的过程,属于生成模型。
- 隐马尔科夫模型在语音识别、自然语言处理、生物信息等领域有着广泛的应用。
马尔可夫模型的两个假设
- 齐次马尔可夫假设:假设隐藏的马尔科夫链在任意时刻t的状态只依赖于前一时刻的状态,与其它时刻的状态及观测无关,也与时刻t无关。
- 观测独立性假设:假设任意时刻的观测只依赖于该时刻的马尔科夫链的状态,与其他观测及状态无关。
隐马尔可夫模型 λ = (A, B, Π) ,状态转移概率矩阵A,初始状态概率向量Π,确定了隐藏的马尔科夫链,生成不可观测的状态序列。观测概率矩阵B确定了如何从状态生成观测,与状态序列综合确定了如何产生观测序列。
隐马尔可夫模型的三个基本问题
- 概率计算问题:给定模型 λ = (A, B, Π) 和观测序列O = (o1, o2,…,oT),计算在模型 λ 下观测序列 O 出现的概率 P = (O|λ);
- 学习问题:已知观测序列O = (o1, o2,…,oT),估计模型参数 λ = (A, B, Π) ,使得在该模型下观测序列概率 P = (O|λ) P = (O|λ)最大;
- 预测问题