隐马尔科夫模型HMM-过程了解
来源:互联网 发布:生物医学文献数据库 编辑:程序博客网 时间:2024/05/06 00:52
HMM模型是个经典模型,处理的是序列的判决问题。本文大体讲解一下HMM的过程,而对其原理不作深入探究。
一阶马尔科夫模型
判断一个状态
比如今天的天气状态是“晴天”,那明天的天气状态是?,我们推测极大的可能也是“晴天”。这就是一个简单的一阶马尔科夫模型的应用。
一阶马尔科夫假设:每个状态只依赖于前一个状态。(不是依赖于其前几个状态)
前后关系用时间
表示在当前时刻
一阶隐马尔科夫模型
含有隐藏状态
我们若是只能观测到某一状态,但是可观测状态是由隐含的某一状态决定的,那么就需要隐马尔科夫模型出马了。
独立性假设:可视状态只取决于当前隐藏状态。
齐次马尔科夫假设:每个状态只依赖于前一个状态。
归一化约束:
下面解决三个关键问题:
估值:计算可视序列
解码:根据可视序列
学习:由一组样本序列确定状态转移概率
HMM估值
已知HMM模型(
可视序列的产生概率如下:
其中
因为隐序列的当前状态仅仅取决于前一状态,故:
因为当前可视状态仅仅由当前隐状态决定,故:
综上所述:
上面这个式子计算起来实在太过复杂~现在介绍一种简单计算方法,递归地计算
设
HMM前向估计的递归方法示意图(这里的
HMM前向算法过程
1.
2.
3.
4.
5.
HMM后向算法过程
1.
2.
3.
4.
5.
其中,定义
HMM解码
已知一个观测序列
一种简单的方法是遍历所有的可能的隐状态序列的概率,选择最大的作为解码结果。但是这很明显不现实,因为计算量实在过于巨大。
现提供一种简单思路,把每个时刻最可能的隐状态
HMM解码算法(Viterbi)
1.
2.
3.
4.
5.
6.
7.
8. 将隐状态
9.
10.
这种解码方法(维特比算法)的缺点是:不能够保证找到的路径就是合法的路径,即找到的路径有可能是不连贯的。因为是用局部最优解串联成的解。
HMM学习
学习模型的过程就是确定模型的参数,转移概率
(1)对于有监督问题
(2)对于无监督问题
解决无监督的HMM训练问题,就是大名鼎鼎的Baum-Welch算法,也叫前向-后向算法。
该算法是“广义期望最大化算法”的一种具体实现,其核心思想是:通过递归方式更新权重,以得到能够更好地描述(解释)训练样本的模型参数。
定义从隐状态
其中,
上式中,分子表示了
上式中,分子表示了隐状态
?初始状态概率怎么确定的?
前向-后向算法过程
1.
2.
3.
4.
5.
6.
7.
8.
9.
小结
HMM算法是个经典算法,在语音识别、自然语言处理、生物信息等领域应用广泛。隐马尔科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的序列,再由各个状态随机生成一个观测值而产生观测序列的过程。
- 隐马尔科夫模型HMM-过程了解
- 马尔科夫过程及隐马尔科夫模型HMM
- 隐马尔科夫模型HMM
- 隐马尔科夫模型HMM
- 隐马尔科夫模型HMM(1)
- 隐马尔科夫模型HMM(2)
- [转]隐马尔科夫模型HMM
- 隐马尔科夫模型HMM
- 隐马尔科夫模型HMM自学
- HMM Tutorial 隐马尔科夫模型
- 隐马尔科夫模型HMM
- HMM 隐马尔科夫模型
- 隐马尔科夫模型HMM
- 隐马尔科夫模型HMM自学
- 隐马尔科夫模型HMM自学
- HMM(隐马尔科夫模型)
- 隐马尔科夫模型HMM自学
- 隐马尔科夫模型(HMM)
- Linux中的进程
- AndroidStudio 生成签名的APK
- sso package or sign error 微博登录
- 赏心悦目
- BOM与读取UTF-8编码格式文件首行乱码问题
- 隐马尔科夫模型HMM-过程了解
- 两个栈实现一个队列以及两个队列实现一个栈(Java)
- ngui 的scrollview grid 只有一个子对象时 不会弹回
- 【文档编辑器】Sublime Text 编辑器安装 Package Control插件
- 【转】C#对XML文件的各种操作实现方法
- tomcat 运行机制
- const int* p 和 int* const p
- 浙江大学PAT_甲级_1055. The World's Richest (25)
- PowerDesigner连接数据库