隐马尔科夫模型（HMM）及其实现

最新推荐文章于 2022-07-10 15:47:27 发布

ycheng_sjtu

最新推荐文章于 2022-07-10 15:47:27 发布

阅读量6.9k

点赞数 1

分类专栏：模式识别模式识别文章标签：预测算法马尔科夫 HMM 随机过程

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/ycheng_sjtu/article/details/38865395

版权

本文介绍了马尔科夫模型的概念、假设及天气模型示例，进一步探讨了隐马尔科夫模型（HMM）的构成、扔硬币模型示例以及HMM的三个核心问题——概率问题、预测问题和学习问题，详细阐述了向前算法、向后算法、Viterbi算法和Baum-Welch算法的应用。

摘要由CSDN通过智能技术生成

马尔科夫模型

马尔科夫模型是单重随机过程，是一个2元组：(S,A)。

其中S是状态集合，A是状态转移矩阵。

只用状态转移来描述随机过程。

马尔科夫模型的2个假设

有限历史性假设：t+l时刻系统状态的概率分布只与t时刻的状态有关，与t时刻以前的状态无关；

齐次性假设：从t时刻到t+l时刻的状态转移与t的值无关。

以天气模型为例

天气变化有3中状态S:{1(阴),2（云）,3（晴）}

图片来自网络

则状态转移矩阵A:

$A = \left[ {\begin{array}{*{20}{c}}{0.4}&{0.3}&{0.3}\\{0.2}&{0.6}&{0.2}\\{0.1}&{0.1}&{0.8}\end{array}} \right]$

这样，只要知道的初始状态概率向量，就能预测接下来每天的天气了。

隐马尔科夫模型

隐马尔科夫模型是双重随机过程，是一个5元组：

$\lambda \left( {S,V,A,B,\pi } \right)$

V是输出集合。

$B = \left\{ {{b_j}\left( k \right)} \right\}$

表示在状态j时输出k的概率。

$\pi$ 是初始状态概率。

用状态转移和输出概率

最低0.47元/天解锁文章

关注

1
点赞
踩
9

收藏

觉得还不错? 一键收藏
6
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论 6

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。