資源描述：
《隱馬爾可夫模型簡(jiǎn)介》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫(kù)。
1、隱馬爾可夫模型簡(jiǎn)介劉群2001-6-11X1X2XT…………O1O2OT…………假設(shè)對(duì)于一個(gè)隨機(jī)事件，有一個(gè)觀察值序列：O1,...,OT該事件隱含著一個(gè)狀態(tài)序列：X1,...,XT假設(shè)1：馬爾可夫假設(shè)（狀態(tài)構(gòu)成一階馬爾可夫鏈）p(Xi
2、Xi-1…X1)=p(Xi
3、Xi-1)假設(shè)2：不動(dòng)性假設(shè)（狀態(tài)與具體時(shí)間無關(guān)）p(Xi+1
4、Xi)=p(Xj+1
5、Xj)，對(duì)任意i,j成立假設(shè)3：輸出獨(dú)立性假設(shè)（輸出僅與當(dāng)前狀態(tài)有關(guān)）p(O1,...,OT
6、X1,...,XT)=Πp(Ot
7、Xt)定義一個(gè)隱馬爾可夫模型(HMM)是一
8、個(gè)五元組：(ΩX,ΩO,A,B,π)其中：ΩX={q1,...qN}：狀態(tài)的有限集合ΩO={v1,...,vM}：觀察值的有限集合A={aij}，aij=p(Xt+1=qj
9、Xt=qi)：轉(zhuǎn)移概率B={bik}，bik=p(Ot=vk
10、Xt=qi)：輸出概率π={πi}，πi=p(X1=qi)：初始狀態(tài)分布問題令λ={A,B,π}為給定HMM的參數(shù)，令σ=O1,...,OT為觀察值序列，隱馬爾可夫模型（HMM）的三個(gè)基本問題：評(píng)估問題：對(duì)于給定模型，求某個(gè)觀察值序列的概率p(σ
11、λ)；解碼問題：對(duì)于給定模型和觀察值序
12、列，求可能性最大的狀態(tài)序列；學(xué)習(xí)問題：對(duì)于給定的一個(gè)觀察值序列，調(diào)整參數(shù)λ，使得觀察值出現(xiàn)的概率p(σ
13、λ)最大。算法評(píng)估問題：向前算法定義向前變量采用動(dòng)態(tài)規(guī)劃算法，復(fù)雜度O(N2T)解碼問題：韋特比（Viterbi）算法采用動(dòng)態(tài)規(guī)劃算法，復(fù)雜度O(N2T)學(xué)習(xí)問題：向前向后算法EM算法的一個(gè)特例，帶隱變量的最大似然估計(jì)算法：向前算法（一）定義前向變量為HMM在時(shí)間t輸出序列O1…Ot，并且位于狀態(tài)Si的概率：算法：向前算法（二）迭代公式為：結(jié)果為：變化連續(xù)輸出模型輸出矩陣變?yōu)槟撤N概率分布，如高斯分布多階轉(zhuǎn)移矩陣?yán)?/p>
14、：病情轉(zhuǎn)化假設(shè)：某一時(shí)刻只有一種疾病，且只依賴于上一時(shí)刻疾病 一種疾病只有一種癥狀，且只依賴于當(dāng)時(shí)的疾病癥狀(觀察值)：發(fā)燒，咳嗽，咽喉腫痛，流涕疾病(狀態(tài)值)：感冒，肺炎，扁桃體炎轉(zhuǎn)移概率：從一種疾病轉(zhuǎn)變到另一種疾病的概率輸出概率：某一疾病呈現(xiàn)出某一癥狀的概率初始分布：初始疾病的概率解碼問題：某人癥狀為：咳嗽→咽喉痛→流涕→發(fā)燒 請(qǐng)問：其疾病轉(zhuǎn)化的最大可能性如何？例子：詞性標(biāo)注問題：已知單詞序列w1w2…wn，求詞性序列c1c2…cnHMM模型：將詞性為理解為狀態(tài)將單詞為理解為輸出值訓(xùn)練：統(tǒng)計(jì)詞性轉(zhuǎn)移矩陣[aij]
15、和詞性到單詞的輸出矩陣[bik]求解：Viterbi算法應(yīng)用語(yǔ)音識(shí)別音字轉(zhuǎn)換詞性標(biāo)注（POSTagging）組塊分析基因分析一般化：任何與線性序列相關(guān)的現(xiàn)象資源Rabiner,L.R.,ATutorialonHiddenMarkovModelsandSelectedApplicationsinSpeechRecognition,ProceedingsoftheIEEE,vol.77,no.2,Feb.1989,pgs257-285.Thereisalotofnotationbutverboseexplanations
16、accompany.翁富良，王野翊，計(jì)算語(yǔ)言學(xué)導(dǎo)論，中國(guó)社會(huì)科學(xué)出版社，1998HTK：HMMToolkitHiddenMarkovModel(HMM)WhitePaper(GeneMatcher)……總結(jié)HMM模型可以看作一種特定的BayesNetHMM模型等價(jià)于概率正規(guī)語(yǔ)法或概率有限狀態(tài)自動(dòng)機(jī)HMM模型可以用一種特定的神經(jīng)網(wǎng)絡(luò)模型來模擬優(yōu)點(diǎn)：研究透徹，算法成熟，效率高，效果好，易于訓(xùn)練
