隐马尔可夫模型(HMM) - 2 - 概率计算方法

声明：

         1，本篇为个人对《2012.李航.统计学习方法.pdf》的学习总结，不得用作商用，欢迎转载，但请注明出处（即：本帖地址）。

         2，由于本人在学习初始时有很多数学知识都已忘记，所以为了弄懂其中的内容查阅了很多资料，所以里面应该会有引用其他帖子的小部分内容，如果原作者看到可以私信我，我会将您的帖子的地址付到下面。

         3，如果有内容错误或不准确欢迎大家指正。

         4，如果能帮到你，那真是太好了。

 

         本章介绍隐马尔可夫模型中概率计算问题的算符。

         计算观测序列概率P(O|λ)的算法包括前向算符和后向算法，不过在此之前先介绍下概念上可行但计算上不可行的直接计算法。

直接计算法

         给定模型λ= (A, B,π)和观测序列O = (o1,o2, ..., oT)，计算测序列O出现的概率P(O|λ)。最直接的方法是按概率功率直接计算。

         思想：

                   通过列举所有可能的长度为T的状态序列I = (i1,i2, ..., iT)，求各个状态序列I与观测序列O = (o1, o2, ..., oT)的联合概率P(O,I|λ)，然后对所有可能的状态序列求和，得到P(O|λ)。

         过程：

                   1，状态序列I = (i1,i2, ..., iT)的概率是

                             

                            即：状态1的概率*状态1转到状态2的概率*...*状态T-1转到状态T的概率

                            PS：上式中的π对应初始概率分布，aij对应状态转移概率分布的矩阵，若看不懂上面的内容，则请对照着“隐马尔可夫模型(HMM) - 1 - 基本概念”中的这两个概念看。

                   2，对固定的状态序列I =(i1, i2, ..., iT)，观测序列O = (o1, o2, ..., oT)的概率是

                           

                            即：第一个观测的概率*第二个观测的概率*...*第T个观测的概率

                   3，O和I同时出现的概率为

                           

                            PS：这个利用了条件概率公式

                   4，对所有的状态序列I求和，得到观测序列O的概率P(O|λ)，即

                            （1式）

         但是（1式）的计算量很大，是O(TN^T)阶，这种算法不可行。

         下面介绍计算观测序列概率P(O|λ)的有效方法：前向-后向算法。

前向算法

         首先定义前向概率

 定义(前向概率)

         给定隐马尔可夫模型λ，定义到时刻t部分观测序列为o1, o2, ..., ot，且状态为qi的概率为前向概率，记做

                            a_t(i)= P(o1, o2, ..., ot, i_t = q_i |λ)

         举个例子：

                   从A、B这两个硬币中随机拿一个投掷看正反面，A、B硬币抓取的概率一样，即都是0.5，但因为A、B的材质原因导致这两个硬币正面向上的概率是0.6，反面向上的概率是0.4。

                   因此前向概率

                            a₄(2)= P(正, 正, 反, 正, i₄ = q₂|λ)

                   就表示“到时刻4时的观测序列为 o1=正，o2=正，o3=反，o4=正，且第四次投掷的硬币为硬币B(假设q1=硬币A，q2=硬币B)的概率”

        

         在知道了前向概率的定义后就可以递推的求前向概率a_t(i)及观测序列概率P(O|λ)。

 算法(观测序列概率的前向算法)

         输入：隐马尔科夫模型λ，观测序列O；

         输出：观测序列概率P(O|λ)

         过程：

                 

         解释：

                   步骤1初始化前向概率，即获得第一个状态和第一个观测的概率，即是初始时刻的状态q_i和观测o₁的联合概率。又因为达到初始时刻状态q_i的概率是πi，根据初始状态q_i而产生的观测o₁的概率是b_i(o₁)，于是有了10.15式。

                   步骤2是前向概率的递推公式，计算到时刻t+1部分观测序列为o₁, o₂, ..., o_t, o_t+1且在t+1时刻处于状态q_i的前向概率。

                                     如下图所示：

                                    

                            在10.16式的方括弧里，a_t(j)表示到时刻t观测到o₁,o₂, ..., o_t并在时刻t处于状态q_j的前向概率，那么乘积a_t(j)a_ji就是到时刻t观测到o1, o2,..., ot并在时刻t处于状态q_j而时刻t+1到达状态q_i的联合概率。对这个乘积在时刻t的所有可能的N的状态q_j求和，其结果就是到时刻t观测为o1, o2, ..., ot并在时刻t+1处于状态q_i的联合概率。

                                     有点绕？

                                     其实是这样，“a_t(j)a_ji是到时刻t观测到o1, o2,..., ot并在时刻t处于状态q_j而时刻t+1到达状态q_i的联合概率”这个没问题吧(有问题我就没办法了..你在多读几遍这句话好好想想)，但在时刻t+1之前到底是哪个状态谁也不知道，可能是状态q₁，可能是状态q₂，可能是状态q_j，也可能是状态q_N，那我要把所有的可能性包括在内，于是乎对所有的a_t(j)a_ji求和，其中j = 1, 2, ..., N，于是就有了方括弧里的内容。

                            方括弧里的值也观测概率b_i(o_t+1)的乘积就是时刻t+1观测到o₁,o₂, ..., o_t, o_t+1并在时刻t+1处于状态qi的前向概率a_t+1(i)。

                   步骤3给出P(O|λ)的计算公式，因为

                                     a_T(i)= P(o₁, o₂, ..., o_T, i_T = q_i|λ)

                            表示到达时刻T观测到o1, o2,..., oT并在时刻T处于状态qi的前向概率，于是对所有的状态求和即10.17式，就是观测序列概率P(O|λ)的计算公式了。

 前向算法高效的关键

         前向算法高效的关键是其局部计算前向概率，然后利用路径结构将前向概率“递推”到全局，得到P(O|λ)。

         具体地

                   在时刻t=1，计算a₁(i)的N个值(i = 1, 2,..., N)；

                   在时刻t = 1, 2,..., T-1，计算a_t+1(i)的N个值(i = 1, 2, ..., N)，而且每个a_t+1(i)的计算利用前一时刻的N个a_t(j)。

         减少计算量的原因在于每一次计算直接饮用前一时刻的计算结果，避免重复计算。这样前向概率计算P(O|λ)的计算量是O(N²T)阶的，而不是直接计算的O(TN^T)阶。

 例子

         考虑盒子和球模型λ=(A, B,π)，状态集合Q = {1, 2, 3}，观测集合V = {红，白}，

                  

         设T=3，O=(红，白，红)，试用前向算法计算P(O|λ)

         解：

                  

后向算法

 定义(后向概率)

         给定隐马尔可夫模型λ，定义在时刻t状态为qi的条件下，从t+1到T的部分观测序列为o_t+1, o_t+2, ..., o_T的概率为后向概率，记做

                   β_t(i) = P(o_t+1, o_t+2, ..., o_T| i_t= q_i,λ)

         可以用递推方法求得后向概率β_t(i)及观测序列概率P(O|λ)。

 算法(观测序列概率的后向算法)

         输入：隐马尔可夫模型λ，观测序列O；

         输出：观测序列概率P(O|λ)

         过程：

                  

         解释：

                   步骤1初始化后向概率，对最终时刻的所有状态qi规定β_t(i) = 1。

                   步骤2是后向概率的递推公式。

                            如下图所示

                                    

                            为了计算在时刻t状态为qi条件下时刻t+1之后的观测序列为o_t+1,o_t+2, ..., o_T的后向概率β_t(i)，只需考虑在时刻t+1所有可能的N个状态qj的转移概率(即aij项)，以及在此状态下的观测o_t+1的观测概率(即b_j(o_t+1)项)，然后概率状态qj之后的观测序列的后向概率(即β_t+1(i)项)。

                   步骤3求P(O|λ)的思路与步骤2一直，只是用初始概率πi代替转移概率。

P(O|λ)的关于前向-后向算法的统一写法

         利用前向概率和后向概率的定义，可以将观测序列概率P(O|λ)统一写成

                  

         此式当t=1和t=T-1时，分别为10.17式和10.21式。

一些概率与期望值的计算

         利用前向概率和后向概率，可以得到关于每个状态和两个状态概率的计算公式。

         1，给定模型λ和观测O，在时刻t处于状态qi的概率，记

                           

                   可通过前项后项概率计算。事实上，

                           

                   由前向概率a_t(i)和后向概率β_t(i)定义可知：

                            a_t(i)β_t(i) = P(i_t = q_i, O |λ)

                   于是得到

                           

         2，给定模型λ和观测O，在时刻t处于状态qi且在时刻t+1处于状态qj的概率，记

                           

                   可通过前项后项概率计算：

                           

                   而

                           

                   所以

                           

         3，将γ_t(i)和ξ_t(i, j)对各个时刻t求和，可以得到一些有用的期望值：

                   a，在观测O下状态i出现的期望值

                           

                   b，在观测O下由状态i转移的期望值

                           

                   c，在观测O下由状态i转移到状态j的期望值