隐马尔科夫模型HMM及其具体应用
隐马尔科夫模型HMM及其具体应用
一、隐马尔科夫模型（HMM）
隐式马尔科夫模型 （Implicit Markov Model, HMM）是一种统计学工具_用于描述一个含有隐藏未知参数的状态机_ 。其核心挑战在于从可观察到的数据中推断出这些隐藏状态及其转移规律_进而利用这些规律进行预测与分析_ 。该方法主要应用于模式识别领域_通过建立系统的状态转移概率模型实现对未知序列数据的有效解析。
基本理论
隐式马尔科夫模型 基于马尔科夫链的理论框架。它的状态无法直接观察到,但可以通过观测向量序列间接推断出来,每个观测结果都是由一系列隐含状态共同作用的结果。因此,在一定数量的状态下形成一个双重随机机制自20世纪80年代以来,HMM被应用于语音识别领域并取得了显著的应用成果到了90年代初,HMM还被引入多用户检测技术并得到了广泛应用随着技术的发展,HMM在生物信息科学故障诊断等领域也开始展现出广泛的应用前景
基本概述
在简单的马尔可夫链中（即直接观测的状态系统），状态是观察者能够直接观测到的量度；因此仅需关注状态转移概率这一系统的唯一参数即可描述其行为特性。然而在隐马尔可夫模型中（HMM），系统的状态并非直接可见；但系统的输出概率分布基于该状态下的可能输出符号；而每个状态都与特定的概率分布相关联；因此通过一个HMM生成标记序列会提供有关隐藏状态序列的信息；值得注意的是，“隐藏”一词指的是系统所处的状态序列本身；即使这些参数被精确确定也无法消除其被称为“隐藏”的性质；即使如此我们仍将其称为一个隐式马尔科夫模型。近年来隐马尔科夫模型已被推广至双层马尔科夫过程和三态马尔科夫模型以适应更为复杂的数据结构及其非平稳特性。
隐式马尔科夫模型作为一种混合模型中的潜在变量它决定了各混合成分的选择标准是基于当前观察结果而非相互独立的相关假设。
基本算法
针对以下三个评估任务提出了相应的解决方法：
1 前向算法
2 Viterbi算法
3 Baum-Welch算法（一种向前向后结合的学习方法）
模型表达
二、隐马尔科夫模型（HMM）的具体应用
（1）基于一些特征将部分语义块进行词汇分割，并计算各个词汇或语义块的输出概率。
（2）基于给定的HMM模型运用韦尔奇算法进行计算，确定状态序列即与各语义块相关联的领域，并依据关联结果提取各语义项。
相对于语音的概率密度函数表示法而言，在模型建立过程中隐马尔科夫模型能够更好地反映语音的时间序列变化特征，并且能够有效利用语音连续发音的相关性约束。
在人脸识别领域中，HMM是基于概率统计理论构建的一种用于识别序列数据的分类模型。早期研究指出，在人脸识别任务中，不同区域的人脸呈现出上下层结构特征。因此通常可建立一个一维隐马尔可夫模型来描述这一层次结构。此外考虑到人脸在水平方向的空间分布具有一定的稳定性，在垂直方向上则表现出较为规律的变化特性。因此研究者们将沿垂直方向划分的状态分别扩充为一个一维隐马尔科夫模型，并将各子模型整合后构建出二维隐马尔科夫模型。
此方法显示出优异的识别率，在面对姿态与环境变化时表现出很强的鲁棒性。
- 基于HMM的人脸表情识别方法 该任务旨在通过分析面部表情图像并建立相应的HMM模型来进行不同类别的面部表情分类与识别过程
此文章部分引用于文献 湖南科技学院学报 文章编号：1673-2219（2009）04-0042-03