马尔科夫模型----三
来源:互联网 发布:js循环30除7 编辑:程序博客网 时间:2024/06/05 01:02
前言
上一节我们已经介绍了马尔可夫模型三个基本问题中的第一个问题:概率计算问题,介绍了三种解决方法:直接计算(暴力法)法、前向计算法、后向计算法,忘记的同学可以点击这里回顾一下。z这一节我们将介绍三个基本问题中的第二个问题:学习问题。
首先我们再把问题陈述一下:已知观测序列,估计模型参数,使得在该模型下观测序列概率最大,即用极大似然估计的方法估计参数。
例如:知道骰子有几种(隐含状态数量),不知道每种骰子是什么(转换概率),观测到很多次掷骰子的结果(可见状态链),我想反推出每种骰子是什么(转换概率)。 这个问题很重要,因为这是最常见的情况。很多时候我们只有可见结果,不知道HMM模型里的参数,我们需要从可见结果估我们需要从可见结果估计出这些参数,这是建模的一个必要步骤。
隐马尔可夫模型的学习,根据训练数据是包括观测序列和对应的状态序列还是只有观测序列,可以分别由监督学习与非监督学习实现。本节首先介绍简单的学习:监督学习,而后介绍非监督学习。
监督学习方法
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,那么可以利用极大似然估计法来估计隐马尔可夫模型的参数。具体方法如下:
非监督学习算法—Baum-Welch算法
假设给定训练数据只包括S个长度为T的观测序列而没有对应的状态序列,目标是学习隐马尔可夫模型的参数。我们将观测序列数据看作观测数据O,状态序列数据看作不可观测的隐藏数据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。
Baum-Welch算法
本节的主要内容来自于书上的介绍,因为一些原理在讲解EM算法的时候我们已经讲过了,在这里的学习过程和EM算法的学习过程是一致的,所以没有继续深入讲解,如果不明白的可以看一下EM算法的内容。
本节完。
阅读全文
0 0
- 马尔科夫模型----三
- DHTML对象模型 (三)
- 电信三户模型
- 电信三户模型
- 网格模型基础三
- 网格模型中级三
- 三户模型
- Java内存模型三
- COM线程模型(三)
- 三户模型
- 三种数据模型
- 三户模型
- JVM(三)内存模型
- ZMQ 三种模型
- 隐马尔科夫模型(三)
- 三户模型
- 字符串截取[模型三]
- 三、三维模型添加
- PHP之Linux(二) 基本命令
- [Unity] A-Star(A星)寻路算法
- spring使用profile选择配置文件
- C primer plus(编程练习)file-4.8-1
- 跟我开始从0学Android-Java基础-数据类型
- 马尔科夫模型----三
- Android截屏与WebView长图分享经验总结
- Java的六种线程状态
- vb.net 教程 12-1 WebBrowser 1
- 上下界网络流
- C primer plus(编程练习)file-4.8-2
- GCD&LCM&素数打表&快速幂
- 字母统计
- 动态链接库中分配内存引起的问题-- windows已在XX.exe中触发一个断点