360免费建站空间,2345导网址导航下载,怎么创建自己的网站平台app,商标申请1. 前言
学习了概率有向图模型和概率无向图模型#xff0c;回头再看了一下隐马尔可夫模型(hidden Markov model#xff0c;HMM)。
HMM属于树状有向概率图模型#xff0c;主要用于对时序数据的建模#xff0c;它的潜在变量是离散的#xff1b;而另一种状态空间模型…1. 前言
学习了概率有向图模型和概率无向图模型回头再看了一下隐马尔可夫模型(hidden Markov modelHMM)。
HMM属于树状有向概率图模型主要用于对时序数据的建模它的潜在变量是离散的而另一种状态空间模型称为线性动态系统linear dynamical systemLDS它的潜在变量服从高斯分布。
HMM是描述由马尔科夫链随机生成观测序列的过程属于机器学习里面的生成模型
本文主要参考文献为PRML、《统计学习方法》、隐马尔可夫模型、HMM英文文档
2. 马尔科夫模型
独立同分布忽略了数据的顺序模式。比如给定了一系列的天气观测如果按照独立同分布来看如下图所示那么得到的数据信息就是雨天的相对频率然而实际上明天下雨在很大程度上依赖于最近几天天气的。 马尔科夫链就是放松了独立同分布的假设用概率乘积的形式表示观测序列的联合概率分布。 如果看了前面的概率有向图会发现马尔科夫链的概率有向图画起来很简单就是当前节点以前面所有的节点为条件即被前面所有的节点连接。
如果假设每个条件概率分布只与最近的一次观测有关与其它观测独立就得到了一阶马尔科夫链first order Markov chain其实这个就是我们常见的马尔科夫链其联合概率分布为 这样还可以求出给定时刻n之前所有的观测得到第n 个观测的条件概率 在这种马尔科夫模型中条件概率分布被限制相等在静止时间序列的预测中比如红绿灯称为同质马尔科夫链homogeneous Markov chain。
有时候我们希望用更早的观测来预测序列比如二阶马尔科夫链就与前两个观测有关 联合概率分布可以写出来为 对于一阶马尔科夫模型如果有K个状态每个状态有转移到其它的K-1个状态的转移概率比如为状态1的时候有转移到第2,....K共(K-1)的转移概率为状态2的时候有转移到第1,3,....K共(K-1)的转移概率......依次类推需要K(1-K)个参数。再扩展到M阶马尔科夫模型就需要个参数因此参数的数量随着M指数增加。
为了解决指数增长这个问题专家们引入隐变量将隐变量构成马尔科夫链而非使用观测变量作为马尔科夫链这样得到的图结构称为状态空间模型state space model。 这个图就是利用潜在变量的马尔科夫链来表示顺序数据每个观测以对应的潜在变量的状态为条件。这个图是HMM和LDS的基础。
此图的联合概率分布为 根据前面介绍的概率有向图模型分析给定了第n1个状态之前的所有状态时由于隐状态不可观测使得条件概率分布不会有任何的条件独立性也就是第n1的预测以来与前面所有的观测。图中如果所有的状态为离散的那么就得到了HMM。
3. 隐马尔科夫模型
隐马尔科夫模型是统计模型用来描述一个含有隐含未知参数的马尔可夫过程。
在隐马尔可夫模型中状态是不可见的但输出依赖该状态下是可见的。每个状态通过可能的输出记号有了可能的概率分布。“隐藏”指的是该模型经其传递的状态序列而不是模型的参数即使这些参数是精确已知的我们仍可把该模型称为一个“隐藏”的马尔可夫模型。
有两种生成模式确定性和非确定性的。
确定性的生成模式比如红绿灯的变化就是固定的根据当前状态可以预测下一状态。
非确定性的生成模式比如天气晴、多云、雨。不能确定下一刻的天气状态但是我们希望能够生成一个模式来得出天气的变化规律。假设当前天气只与以前的天气状态有关这被称为马尔可夫假设。
马尔可夫过程就是当前状态只与前n个状态有关。这被称为n阶马尔可夫模型。注意与确定性生成模式的区别这里得到的是一个概率模型。
对于有M个状态的一阶马尔可夫模型。共有M*M个状态转移。每一个状态转移都有其一定的概率我们叫转移概率所有的转移概率可以用一个矩阵表示。每一行每一列的概率和为1.
用一个例子来解释隐马尔科夫模型
在预测天气时当不能观察天气时可以通过观察水藻或者其他植物来预测。这里就包含两个状态观察状态水藻的状态和隐含状态天气状态。
语音识别是最为成功的应用语音信号是观察状态识别出的文字就是隐含状态。
注意在任何一种应用中观察状态的个数和隐含状态的个数可能不一样。
4. HMM三大要素
HMM是一个三元组(πAB)
Π(πi) 初始概率向量代表的是刚开始的时候各个隐藏状态的发生概率。
A(aij) 状态转移矩阵代表的是第一个状态到第二个状态发生的概率。
B(bij) 混淆矩阵代表的是处于某个隐状态的条件下某个观测发生的概率。
这其中所有的状态转移概率和混淆矩阵在整个系统中是一成不变的这也是HMM中最不切实且的假设。
5. HMM两大假设
1齐次马尔科夫性假设假设隐藏的马尔科夫链在任意时刻t的状态只依赖其前一时刻的状态与其它时刻的状态及观测无关也与当前时刻 t 无关。 2观测独立性假设假设任意时刻的观测只依赖于该时刻的马尔科夫链的状态与其它观测状态无关 6. HMM三大基本问题
6.1 评估
概率计算问题给定模型参数和观测序列计算在该模型下观测序列出现的概率。利用前向算法或者后向算法计算。 6.2 学习 学习问题已知观测序列需要估计模型参数使得在该模型下观测序列 P(观测序列 | 模型参数)最大用的是极大似然估计方法估计参数通常称为前向后向算法或者Baum-Welch算法。
6.3 解码
预测问题给定模型参数和观测序列求对给定观测序列条件概率 P(隐状态 | 观测序列) 最大的状态序列。即给定观测序列求最有可能的对应的状态序列。
7. HMM观测序列生成过程
输入因马尔科夫模型(πAB)以及观测序列长度T输出观测序列(1)按照出事状态分布π产生状态 i1(2)令t1(3)按照状态 i(t) 的观测概率分布混淆矩阵生成第 t 个观察值(4)按照状态 i(t) 的状态转移概率转移概率矩阵产生第t1个状态 i(t1)(5)令tt1如果 t T 回到步骤(3)否则终止
