本文介绍了HMM（隐马尔可夫模型）的基本概念，包括齐次马尔可夫性和观测独立性假设，并阐述了HMM的三个基本问题：概率计算、学习和预测。重点讨论了HMM在中文分词中的应用，详细解析了模型参数，如状态转移矩阵A、观测概率分布B和初始参数π，并概述了监督学习和非监督学习方法在模型训练中的作用。最后，介绍了如何使用维特比算法找到分词的最优路径。
1. 定义
隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程----具有一定状态数的隐马尔可夫链和显示随机函数集。
两个基本假设：齐次马尔可夫性假设（当前隐状态只依赖前一状态）、观测独立性假设（观测只依赖当前状态）。
2.三个基本问题：
(1) 概率计算问题
已知：模型λ=(A,B,π)、观测序列O。求：O观测序列出现概率P(O|λ)。
求解方法：直接计算法；前向算法（类似动态规划或剪枝）；后向算法。
主要应用：
(2) 学习问题
已知：观测序列O。 求：模型λ=(A,B,
最低0.47元/天 解锁文章
扫一扫
271
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
