【学习记录】隐马尔可夫模型预测习题

1.概念

马尔可夫链（Markov chain）： 概率论和数理统计中具有马尔可夫性质（Markov property）且存在于离散的指数集（index set）和状态空间（state space）内的随机过程（stochastic process）。即某随机变化的事物的状态，每次状态只取决于上一次。

转移概率矩阵：在一次变化过程中各状态间的转移概率矩阵。

 比如在DNA复制中某一位点的碱基变换过程中，已知A-A,C-C,T-T,G-G的概率（不变）,A-T,C-G(或反)的概率（转换），A-G,A-C,T-C,T-G(或反)的概率（颠换），这些变化概率在一定条件下都是固定的。设初始位点后，那么所有碱基的相互转换概率矩阵为转移概率矩阵，第N次复制后位点的碱基状态只取决于第N-1次复制后状态。

隐马尔可夫模型（Hidden Markov Model，HMM）：用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。即需要预测的状态是无法直接得到的，只能观察到一组参数，这组参数对应着不同的状态，可以运用贝叶斯公式等从参数得到状态。

发射概率矩阵：隐状态和显参数的对应矩阵。

 比如已知有三种天气状态阴晴雨，下一天的天气取决于当天，并且对应概率矩阵已知，在这三种状态下衣服的晾干速度不同，但又两种状态，干或湿（不同天气的干湿概率组成发射概率矩阵），那么已知连续N天的衣服状态，求这N天中最有可能的天气状态，可以用到HMM。

viterbi算法（Viterbi Algorithm）： 一种动态规划算法用于寻找最有可能产生观测事件序列的-维特比路径-隐含状态序列，特别是在马尔可夫信息源上下文和隐马尔可夫模型中。术语“维特比路径”和“维特比算法”也被用于寻找观察结果最有可能解释相关的动态规划算法。

其使用与常见的动态规划思想相同，从第二步推第三步， 第三步推第四步......一直推到所求。不同之处在于当一条推理在某一步被淘汰后，其后续判断不再进行，即边判断边淘汰。

2.例题

 

在已知今天天气概率的基础上，可以计算出明天的天气概率，不同的time对不同的天气概率把五天的概率都算出来然后相乘。

 

 viterbi算法的特征就是站在第二天，选择从第一天到第二天的最佳路径
站在第三天，选择从第二天到第三天的最佳路径（动态规划思想）

注意：每天发生的事件是固定的，每天的天气是不固定的

例子
在发生了431的情况下，最有可能的天气情况，一共有27种路径，求概率最大的路径

已知第二天发生了事件3
那么第二天有三种情况：
天气a发生事件3/天气b发生事件3/天气c发生事件3
那么就有九条路径：
第一天天气a发生事件4，第二天天气a发生事件3
第一天天气b发生事件4，第二天天气a发生事件3
第一天天气c发生事件4，第二天天气a发生事件3
第一天天气a发生事件4，第二天天气b发生事件3
......
找到第二天天气a发生事件3的三条路径，计算这三条路径的概率，选择其中概率最大的一条做标记

接着跳到第三天继续判断
第三天同样有三种情况，每种情况有三条路径...

hmm = initHMM(c("A","B","C"), c("1","2","3","4"), transProbs=matrix(c(0.5,0.25,0.25,0.375,0.125,0.375,0.125,0.625,0.375),3),
              emissionProbs=matrix(c(0.6,0.25,0.05,0.2,0.25,0.1,0.15,0.25,0.35,0.05,0.25,0.5),3))
print(hmm)
# Sequence of observations
observations = c("4","4","1","3","2","2","1","4","4","3")
# Calculate Viterbi path
viterbi = viterbi(hmm,observations)
print(viterbi)

 

参考：

【机器学习】马尔可夫链与隐马尔可夫模型(HMM)_隐马尔可夫模型和马尔可夫模型的区别-CSDN博客

维特比(Viterbi)算法_维特比算法-CSDN博客 

机器学习 HMM_发射矩阵-CSDN博客