定义
隐马尔可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。隐藏的马尔可夫链随机生成的状态的序列,称为状态序列;每个状态生成一个观测,而由此产生的观测的序列称为观测序列。序列的每一个位置又可看做是一个时刻。
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。
其中,n是可能的状态数,m是可能的观测数。
H 是长度为T的状态序列,
A是状态转移矩阵:
其中,
是在时刻t处于状态 qi 的条件下在时刻t+1转移到状态 qj 的概率。
B是观测概率矩阵:
其中,
是在时刻t处于状态 qj 的条件下生成观测 vk 的概率。
π 是初始状态概率向量:
其中,
是时刻t=1处于状态 qi 的概率。
两个基本假设
- 齐次马尔可夫性假设:马尔可夫链在任意时刻t的状态只依赖于前一时刻的状态,与其他时刻的状态及观测无关,也与时刻t无关。
- 观测独立性假设:任意时刻的观测只依赖于该时刻的马尔可夫链的状态,与其他观测、状态和时刻无关。
学习算法
一、监督学习算法
假设已给训练数据包含s个长度相同的观测序列和对应的状态序列 {(O1,H1),(O2,H2),⋯,(Os,Hs)} ,那么可以用极大似然估计法来估计隐马尔可夫模型的参数。
1.转移概率 aij 的估计
设样本中时刻t处于i时刻t+1转移到状态j的频数为
Aij
,那么状态转移概率
aij
的估计是
2.观测概率 bj(k) 的估计
设样本中状态为j并观测为k的频数是
Bjk
,那么状态为j观测为k的概率
bj(k)
的估计是
3.初始状态概率 πi 的估计 π∗ 为S个样本中初始状态为 qi 的频率
由于监督学习需要使用训练数据,而人工标注训练数据往往代价很高,又是就会利用非监督学习的方法。
2.Baum-Welch算法
假设给定训练数据只包含s个长度为T的观测序列
{O1,O2,⋯,Os}
,而没有对应的状态序列,目标是学习隐马尔可夫模型
λ=(A,B,π)
的参数。我们将观测序列数据看做观测数据O,状态序列数据看做不可观测的隐数据I,那么隐马尔可夫模型事实上是一个含有隐变量的概率模型
它的参数学习可以由EM算法实现。
1.确定完全数据的对数似然函数
所有观测数据写成 Og=(og1,og2,⋯,ogT) ,所有隐数据写成 Hg=(hg1,hg2,⋯,hgT) ,完全数据是 (Og,Hg)=((og1,hg1),(og2,hg2)⋯,(ogT,hgT)) 。不完全数据的对数似然函数是 L(λ)=∑sg=1logP(Og|λ) 。
2.EM算法的E步
求
L(λ)
的下界
Q(λ,λ∗)
于是函数 Q(λ,λ∗) 可以写成:
3.EM算法的M步
最大化
Q(λ,λ∗)
,分别对
A
,
(1)对
π
求导
式(1)的第一项
其中,
对 πqj 求导,
对所有 qj 求和,
(2)对 aij 求导
(3)对 bj(k) 求导
预测算法
一、近似算法
在每个时刻t选择在该时刻最有可能出现的状态。
二、维特比算法
考虑整体最优性,在选择下一个状态时,记时刻t状态为i的可能性为 δt(i) ,那么第t+1时刻最有可能的状态为 argjmaxδt(i)aij,i=1,2,⋯,n;j=1,2,⋯,n
HHM的简单应用
考虑一个简单的分词模型,S由四种状态组成:词头、词中、词尾、单字成词。首先,收集一些已经分词好的语料,如:我 爱 程序员。我 是 祖国 的 花朵。训练状态转移的概率参数 aij ,某个状态的观察数据参数 bj(k) 。最后预测时,选择整体概率最大的路径。
参考
李航的《统计学习分析》
CSDN博客——HMM在简单分词模型中的应用