基本概念
模型組成
- 狀態轉移矩陣:A
- 觀測概率分佈矩陣: B
- **初始狀態概率向量:π
- **
隱馬爾可夫模型:λ
λ = (A,B,π) , 其中,A=[aij]N∗N ,
aij=P(it+1|it=qi) 的概率,i = 1, 2, …,N , j = 1, 2,….N
B=[bj(k)]N∗M ,
其中,bj(k)=P(ot=vk|it=qj) , k = 1, 2,… M; j = 1, 2, …., N
是在t時刻處於狀態qj 的條件下生成觀測vk 的概率
πi 是初始狀態概率向量,其中,
πi=P(i1=qi) 是t = 1的時刻處於狀態qi 的概率,i = 1,2,….N,
兩個基本假設
- 齊次馬爾科夫性假設,即假設隱藏的馬爾科夫鏈在任意時刻t的狀態只依賴於前一時刻的狀態,與其他時刻的狀態及觀測無關,也與時刻t無關,
P(it|it−1,ot−1,...i1,o1)=P(it|it−1)
-觀測獨立性假設,即假設任意時刻的觀測只依賴於該時刻的馬爾科夫鏈的狀態,與其他觀測及狀態無關
P(ot|iT,oT,iT−1,oT−1,...i1,o1,)=P(ot|it)
三個基本問題
- 概率計算問題,給定模型λ = (A,B,π) , 和觀測序列O=(o1,o2,...,oT) , 計算在模型λ 下觀測序列O出現的概率P(O|λ)
- 學習問題,已知觀測序列O=(o1,o2,...,oT) , 估計模型λ = (A,B,π) 爲參數,使得在該模型下P(O|λ) 最大,即用極大似然估計法估計參數
- 預測問題:已知模型λ = (A,B,π) 和觀測序列O=(o1,o2,...,oT) 求給定觀測條件序列條件概率P(O|λ) 最大的狀態序列I=(i1,i2,i3,...iT) ,即給定觀測序列,求最有可能的狀態序列
參考資料
李航 統計學習方法