隐马尔可夫模型：状态序列估计问题

最新推荐文章于 2022-04-26 21:59:01 发布

K5niper

最新推荐文章于 2022-04-26 21:59:01 发布

阅读量1k

点赞数 2

分类专栏： # HMM

本文链接：https://blog.csdn.net/zhaoyin214/article/details/106479582

版权

本文详细介绍了隐马尔可夫模型（HMM）中使用维特比算法解决状态序列估计问题的过程。维特比算法旨在找到在给定观察序列和模型下，使条件概率P(Q|O;μ)最大的状态序列，从而避免非法序列和“断序”问题。算法通过动态规划计算每一步到达各个状态的最大概率，并记录路径，最后回溯得到最优状态序列。算法的时间复杂度为O(N²T)。

摘要由CSDN通过智能技术生成

隐马尔可夫模型：状态序列估计问题（维特比算法）

维特比（Viterbi）算法用于求解HMM的第二个问题，即给定观察序列 $O_{1} O_{2} \cdots O_{T}$ 和模型 $\mu = (\mathbf{A}, \mathbf{B}, \mathbf{\pi})$ ，选择在一定意义下“最优”的状态序列 $q_{1} q_{2} \cdots q_{T}$ ，使得该状态序列“最好地解释”观察序列。该问题的答案并不唯一，它取决于对“最优状态序列”的理解。一种理解是，使该状态序列中每一个状态都单独地具有最大概率，即使 $\gamma_{t}(i) = P(q_{t} = s_{i} | O; \mu)$ 最大。

根据贝叶斯公式，

$\begin{aligned} \gamma_{t}(i) & = P(q_{t} = s_{i} | O; \mu) \\ & = \frac{P(q_{t} = s_{i}, O; \mu)}{P(O; \mu)} \\ & = \frac{\alpha_{t}(i) \beta_{t}(i)}{\sum_{i = 1}^{N} \alpha_{t}(i) \beta_{t}(i)} \\ \end{aligned} \tag {6-19}$

最低0.47元/天解锁文章

K5niper

关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
隐马尔可夫模型：状态序列估计问题

隐马尔可夫模型：状态序列估计问题（维特比算法）维特比（Viterbi）算法用于求解HMM的第二个问题，即给定观察序列O=O1O2⋯OTO = O_{1} O_{2} \cdots O_{T}O=O1O2⋯OT和模型μ=(A,B,π)\mu = (\mathbf{A}, \mathbf{B}, \mathbf{\pi})μ=(A,B,π)，选择在一定意义下“最优”的状态序列Q=q1q2⋯qTQ = q_{1} q_{2} \cdots q_{T}Q=q1q2⋯qT，使得该状态序列“最好地解释”观
复制链接

扫一扫

专栏目录