隱馬爾可夫模型(Hidden Markov Model,HMM)
阿新 • • 發佈:2018-11-25
文章目錄
1. 引言
隱馬爾可夫模型是結構最簡單的動態貝葉斯網路。是一種有向圖模型,主要用於時序資料建模,在語音識別,自然語言處理(NLP),生物資訊,模式識別等領域有廣泛的應用。HMM是關於時序的概率模型,描述一個隱藏的馬爾科夫鏈隨機生成不可觀測的狀態隨機序列,再有各個狀態生成一個觀測而產生觀測隨機序列的過程。
2. HMM變數
HMM中的變數可分為兩組。第一組是狀態變數
其中
表示第
時刻的系統狀態。通常這個狀態是隱藏的,不可觀測的,因此狀態變數也稱為隱變數。第二組是觀測變數
,其中
表示在第
時刻的觀測值,在HMM中,系統通常在多個狀態
之間切換,因此狀態變數
的取值範圍
稱為狀態空間通常是由N個可能取值的離散空間,觀測變數可以是連續的,也可以是離散的。在這裡假定觀測變數
為
。
3. HMM的結構
箭頭表示為變數間的依賴關係,在任一時刻觀測變數的取值僅依賴於狀態變數,即 由 確定,與其他狀態變數即觀測變數無關。同時t時刻的狀態 僅依賴於 時刻的狀態 以其他 之前狀態無關。這就是所謂的馬爾科夫鏈:即 系統下一時刻的狀態僅有當前狀態決定,不依賴於過往的任何狀態,基於這種依賴關係,所有變數的聯合分佈概率為
4. HMM的引數
- 狀態轉移概率:模型在各個狀態間轉移的概率,通常記為矩陣 其中 表示在任意時刻t,到下一時刻t+1,即 的概率。
- 輸出觀測概率:模型根據當前狀態獲得各個觀測值的概率,通常記為矩陣 其中 表示在任意時刻t,若狀態為