- 1、本文档共10页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
Hidden Markov model
n HMM
n HMM n HMM
的表述
的分类 的应用
HMM进行了深入浅出的介绍
n 90年代,HMM被引入计算机文字识别和移 动通信核心技术“多用户的检测”
n 近年来,HMM在生物信息科学、故障诊断 等领域也开始得到应用
n 隐马尔可夫模型
n 马尔可夫链
马尔可夫性
n 如果一个过程的“将来”仅依赖“现在”而不依 赖“过去”,则此过程具有马尔可夫性,或称此 过程为马尔可夫过程。由俄国数学家A.A.马 尔可夫与1907年提出。
n X(t+1) = f(X(t) )
n 现实中存在很多马尔可夫过程
n 在时间集T1 = {0,1,2, …}上对离散状态的过程相继观察的结果
n 链的状态空间记做I = {a1, a2, …}, ai∈R.
n 条件概率Pij(m ,m+n)=P{Xm+n = aj|Xm = ai} 为马氏链在时
率。
刻m处于状态ai条件下,在时刻m+n转移到状态aj的转移概
阴天
阴天
0.25
0.25
0.125
下雨
下雨
0.25
0.375
0.625
马尔可夫链—转移概率矩阵
0.50
0.375 0.25
晴天
阴天 下雨
晴天
晴天
n 当Pij(m,m+n)与m无关时,称马尔科夫链为齐次马 尔可夫链,通常说的马尔科夫链都是指齐次马尔 科夫链。
几种典型形状的马尔可夫链
n (a)转移矩阵没有零值 的Markov链
n (b)转移矩阵有零值的 Markov链
n (c)和(d)是左-右形式表 示的Markov链
HMM实例
Urn 2
Urn 1
Observed Ball Sequence
Urn 3
Veil
n 根据缸中球颜色的概率分布,随机选择一个球,记球 的颜色为O1,并把球放回缸中
n 根据描述缸的转移的概率分布,随机选择下一口缸, 重复以上步骤。
n 最后得到一个描述球的颜色的序列O1,O2, … ,称 为观察值序列O。
n 从缸中所选取的球的颜色和缸并不是一一对应的
n 每次选取哪个缸由一组转移概率决定
n 不能被直接观察缸间的转移
一组概率分布相联系
n HMM是一个双重随机过程,两个组成部分:
n 马尔可夫链:描述状态的转移,用转移概率 描述。
n 一般随机过程:描述状态与观察序列间的关系, 用观察值概率描述。
随机过程
(B)
Markov链
(冗, A)
观察值序列
o1, o2, ..., oT
HMM组成
状态序列
q1, q2, ..., qT
HMM组成示意图
参数
含义
实例
N
状态数目
缸的数目
M
每个状态可能的观察值数 目
彩球颜色数目
A
与时间无关的状态转移概 率矩阵
在选定某个缸的情况下, 选择另一个缸的概率
B
给定状态下,观察值概率 分布
每个缸中的颜色分布
p
初始状态空间的概率分布
初始时选择某口缸的概率
n 解码问题:给定观察序列O=O1,O2, …OT以及模型λ,如何选 择一个对应的状态序列S = q1,q2, …qT ,使得S能够最为合 理的解释观察序列O?
算法:Viterbi算法
n 学习问题:如何调整模型参数λ =(π,A,B),对于给定观 测值序列O=O1,O2, …OT,使得P(O|λ)最大?
算法:Baum-Welch算法
转移矩阵aij和词性到单词的输
bbiikk
性性
阵阵
词词
矩矩
计计
出出
统统
将词性理解为状态 将单词理解为输出值
Viterbi算法
求解:
训练:
将每种疾病理解为状态
将输入的表征现象理解为输出值
统计从一种疾病转移到另一种疾病的转移
矩阵aij和某一疾病呈现出某一症状的概率
Viterbi算法
状态转移过程
矩阵bik
求解:
训练:
3) 学习问题
表示在qt状态下观测到Ot的概率
n
n 由此的复杂度:2T×NT,N=5, M=100, 计算
量10^72
n 给定一个固定的状态序列Q=(q1,q2, q3 …)
基本问题之一:评估问题
n
基本问题之一:前向算法
n 定义前向变量
n 初始化:
n 递归:
n 终结:
复杂度: N2T
基本问题之一:前向后向算法
N
.
qi
.
qj
.
.
1
a1j
at
aNj
aij
i at
at
q
q
t
1
N
1
基本问题之一:后向算法
n 与前向法类似,只是递推方向不同. n 定义后向变量
n 初始化:
n 递归:
n 终结:
基本问题之一:后向算法
后向算法示意图:
n N和T分别为状态个数和序列长度
n 定义:
n 我们所要找的,就是T时刻最大的 的那个状态序列
所代表
n 求S序列:
n 递归:
n 终结:
我们考虑计算t时刻到达状态X的最可能的路径;这条到达状态X的路径将通过t- 1时刻的状 态A ,B或C中的某一个。
因此,最可能的到达状
文档评论(0)