HMM理解思路

HMM

本文整理简单整理一下HMM的理解思路。

模型

马尔科夫性与马尔科夫链

性质： - 有限历史假设 - 时间不变性

隐马尔科夫模型

1. 模型定义： 1、初始状态概率向量 $\pi =({\pi }_i)$，其中 ${\pi }_i=P(i_1=q_i),i=1,2,\cdots ,N$ 2、状态转移概率矩阵 $A={\left[a_{ij}\right]}_{N\times N}$，其中 $a_{ij}=P\left(i_{t+1}=q_j|i_t=q_i\right),i=1,2,\cdots ,N;j=1,2,\cdots ,N$ 3、观测概率矩阵 $B={\left[b_j(k)\right]}_{N\times M}$，其中 $b_j(k)=P\left(o_t=v_k|i_t=q_j\right),k=1,2,\cdots ,M;j=1,2,\cdots ,N$ 4、观测序列 $O=(o_1,o_2,\cdots ,o_T)$，状态序列 $I=(i_1,i_2,\cdots ,i_T)$ 5、状态集合 $Q=\left\{q_1,q_2,\cdots ,q_N\right\}$，观测集合 $V=\left\{v_1,v_2,\cdots ,v_M\right\}$

2. 模型三元组 $\lambda =(A,B,\pi )$

   状态转移概率矩阵A与初始状态概率向量确定了隐藏的马尔科夫链，生成不可观测的序列。观测概率矩阵B确定了如何从状态生成规则，与状态序列综合确定了如何产生观测序列。

3. 模型基本假设：

   • 齐次马尔科夫性假设：设隐马尔科夫链在任意时刻t的状态只依赖于其前一时刻的状态，与其他时刻的状态及观测无关，也与时刻t无关。
   • 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，与其他观测和状态无关。

4. 例子：

   • 感冒预测，中文
   • 掷骰子
   • 天气模型
   • 偷换骰子大法

三个问题

概率计算问题（评估）

给定模型 $\lambda =(A,B,\pi )$ 和观测序列 $O=o_1,o_2,\dots ,o_T$，计算在模型 $\pi$ 下观测序列 $O$ 出现的概率 $P(O|\lambda )$。 - 穷举搜索，O(TN^T) - 前向算法，O(N^2T) - 后向算法

预测问题（解码）

已知观测序列 $O=o_1,o_2,\dots ,o_T$ 和模型 $\lambda =(A,B,\pi )$，求给定观测序列条件概率 $P(I|O)$ 最大的状态序列 $I=\left(i_1,i_2,\dots ,i_T\right)$，即给定观测序列，求最有可能的对应的状态序列。 - 穷举搜索 - 近似计算 - 维特比（Viterbi）算法：动态规划

学习问题

已知观测序列 $O=o_1,o_2,\dots ,o_T$，估计模型 $\lambda =(A,B,\pi )$，使 $P(O|\lambda )$ 最大。 - 监督算法：利用极大似然估计 - 非监督算法：Baum-Welch算法（EM算法在HMM中的具体实现）

应用

语音识别，中文分词，手写识别

参考

1. 《统计学习方法》，李航
2. 隐马尔科夫模型（HMM）及其Python实现

View on GitHub