统计学习方法——隐马尔可夫模型（一）

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$Q$是所有可能的状态的集合，$V$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$N$为可能的状态数，$M$为可能的观测数。
    • $I$是长度为$T$的状态序列，$O$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