隐马尔可夫模型及其基本假设

 

• 隐马尔可夫模型（hidden Markov model，HMM）时刻用于标注问题的统计学习模型，描述由隐藏的马尔科夫链随机生成观测序列的过程，属于生成模型。
• 隐马尔可夫模型是关于时序的概率模型，描述一个由隐藏的马尔科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。隐藏的马尔科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随机序列，称为观测序列。序列的每一个位置可以看作是一个时刻。
• 隐马尔可夫模型由初始概率分布、状态转移概率分布以及观测概率分布确定。
• 状态转移概率矩阵和初始状态概率向量确定了隐藏的马尔科夫链，生成不可观测的状态序列。观测概率矩阵确定了如何从状态生成观测，与状态序列综合确定了如何产生观测序列。
• 隐马尔可夫模型的基本假设：

1. 齐次马尔科夫性假设：即假设隐藏的马尔科夫链在任意时刻t的状态只依赖于其前一时刻的状态，与其他时刻的状态及观测无关，也与时刻t无关；
2. 观测独立性假设：即假设任意时刻的观测只依赖于该时刻的马尔科夫链的状态，与其他观测即状态无关。

• 马尔科夫链可用于标注，这时状态对应着标记。标注问题是给定观测的序列预测其对应的标记序列。可以假设标注问题的数据是由隐马尔可夫模型生成的，这样我们可以利用隐马尔可夫模型的学习与预测算法进行标注。