统计学习方法——隐马尔可夫模型
隐马尔可夫模型(一)
隐马尔科夫模型(HMM)是可用于标注问题的统计学方法。
隐马尔科夫模型的基本概念
隐马尔科夫模型的定义
- 隐马尔科夫模型是关于时序的概率模型,描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列,再由各个状态生成一个观测而产生观测随机序列的过程。
- 状态序列:隐藏的马尔可夫链随机生成的状态的序列
- 观测序列:每个状态产生一个观测
- 隐马尔可夫模型的形式定义:
- 相关参数
- 设 Q Q Q是所有可能的状态的集合, V V V是所有可能的观测的集合,
Q = { q 1 , q 2 , ⋯   , q N } , V = { v 1 , v 2 , ⋯   , v M } Q = \left\{ { {q_1},{q_2}, \cdots ,{q_N}} \right\},V = \left\{ { {v_1},{v_2}, \cdots ,{v_M}} \right\} Q={ q1,q2,⋯,qN},V={ v1,v2,⋯,vM}
其中 N N N为可能的状态数, M M M为可能的观测数。 - I I I是长度为 T T T的状态序列, O O O是对应的观测序列
I = { i 1 , i 2 , ⋯   , i T } , O = { o 1 , o 2 , ⋯   , o T } I = \left\{ { {i_1},{i_2}, \cdots ,{i_T}} \right\},O = \left\{ { {o_1},{o_2}, \cdots ,{o_T}} \right\} I={ i1,i2,⋯,iT},O={ o1,o
- 设 Q Q Q是所有可能的状态的集合, V V V是所有可能的观测的集合,
- 相关参数