隐马尔科夫模型(HMM)
1. HMM的数学定义
对于i=1,2,⋯,n时刻,HMM中有两组变量序列,用x={x1,x2,⋯,xn},xi∈{o1,o2,⋯,oM}表示观测序列(每个观测变量有M个可能的取值),y={y1,y2,⋯,yn},yi∈{s1,s2,⋯,sN}(每个状态变量有N个可能的取值)表示状态序列。
并且有如下假设:在任一时刻,观测变量的取值仅仅依赖于状态变量,即xt仅由yt决定;同时,yt仅依赖于yt−1,即状态变量序列是一个马尔科夫链。由此可以得到所有变量的联合概率分布为:
P(x1,y1,⋯,xn,yn)=P(y1)P(x1∣y1)i=2∏nP(yi∣yi−1)P(xi∣yi)(1-1)
要想确定一个HMM模型还需要如下三组参数:
- 状态转移概率矩阵:A=[aij]N×N,其中aij=P(yt+1=sj∣yt=si),1≤i,j≤N
- 观测概率矩阵:B=[bij]N×M,其中bij=P(xt=oj∣yt=si),1≤i≤N,1≤j≤M
- 初始状态概率向量:π=(π1,π2,⋯,πN),其中πi=P(y1=si)