隐马尔科夫模型(HMM)
发布时间
阅读量：
阅读量
今天来看看这两种模型。
一、马尔科夫模型
有以下三个要素：
定义每一种状态；
每种状态转换到其它状态的概率，即状态转换概率；
每种状态的初始概率；
这样，通过初始状态，便能计算下一个阶段某状态发生的概率值。
二、隐马尔科夫模型
1、 概述
与之前不同之处在于，隐马尔科夫模型引入了某种辅助变量。这种辅助变量是我们能够方便地观测或收集到的。
这些中间变量，跟我们真正需要关注的状态之间存在映射或转换关系。
在这种情况下，在线可直接被观测到的现象称为（被）观测现象；而通过观测现象变化和推导出的真实关注的对象被视为（被）隐性对象（隐性实体）***.
需要注意的是，观察状态和隐藏状态之间不一定是一一对应关系。
请在提供的图表中展示一个观测态与隐态的例子。在此情境下，请您在图表中标明观测态对应四种海藻类型以及隐态对应三种天气状况。
2、 模型特质
每个观察状态(X)由隐藏状态(Z)生成。
每个隐藏状态只与前一个状态有关，即：
，这里Z表示隐藏状态。
每个观测状态只和生成它的隐藏状态有关，即：
，这里X表示观察状态。
3、模型组成
三个必要条件包括：初始状态的概率分布参数π；转移概率矩阵A；观测概率矩阵B。其中：
从上面的天气与海藻的状态举例，生成观察状态的概率矩阵B如下：
在HMM模型中，π，A，B就是我们要求解的参数。
4、算法的求解
该模型的求解方法有多种，算法的推导略掉。
1）穷举法
时间复杂度为
，N为隐藏状态的个数，T为观察序列的长度；
该算法的问题是复杂度太高了，尤其是在隐藏状态个数比较多的情况下。
2）前向算法
3）维特比算法
全部评论 (0)
还没有任何评论哟~