13.0 隐马尔科夫模型

Posted by 子颢 on August 16, 2018

算法原理

概率图模型是一类用图来表达变量之间相关关系的概率模型。马尔科夫网络假设随机过程中各个状态St的概率分布,只与他的前一个状态有关,即P(St|S1,S2,…,St-1) = P(St|St-1),所以可以认为马尔科夫网络是一种特殊的贝叶斯网络。 隐马尔科夫模型是含有隐变量的马尔科夫网络,该模型包含两种类型的变量:一种是观测变量{x1,x2,…,xn},表示第i时刻的观测值;一种是状态变量{y1,y2,…,yn},即隐变量,表示第i时刻的状态。 HMM 所以所有变量的联合概率分布为: HMM

要确定一个隐马尔科夫模型,需要三组参数:λ = [A, B, π]。 A是状态转移概率矩阵,矩阵的每个元素表示由状态St转移到St+1的概率: HMM B是输出观测概率矩阵,矩阵的每个元素表示根据当前状态St,获得各个观测值Oj的概率: HMM π是初始状态概率矩阵,表示模型在初始时刻各状态出现的概率: HMM 下面举个例子方便大家理解整个过程: HMM

在实际应用中,人们常常关注的是隐马尔科夫模型的三个基本问题: HMM

  1. 给定模型计算观测序列发生的概率即为第一个问题。
  2. 在语音识别任务中,观测值是语音信号,隐藏状态为文字,我们目标就是根据语音信号来推测最有可能的文字序列,这即是第二个问题。
  3. 大多数现实任务中,模型的参数是要根据训练样本学习得到,这恰好是第三个问题。

这三个问题都有特别高效的解法。 对于第一个概率计算问题,可以通过前向后向算法直接计算得到,比较简单,这里不再赘述。

对于第二个根据观测序列推测最优的状态序列,可以通过维特比算法求解。维特比算法实际上是利用动态规划求概率最大路径(最短路径)问题。下面还是通过一个例子介绍著名的维特比算法。 HMM

对于第三个HMM模型训练问题,根据训练数据是包括观测序列和对应的状态序列还是只有观测序列,可以分别用有监督学习和无监督学习实现。 因为有监督学习的训练数据已做好了标注,所以直接统计就可以求出λ = [A, B, π]各参数值,实际应用中我们一般使用效果更好的CRF算法。关于CRF算法的具体原理请看下一节内容:条件随机场 而对于无监督的情况,也就是在只有观测序列的情况下(状态序列为隐变量),我们可以用EM算法求解模型参数。关于EM算法的具体原理请看第15节内容:期望最大化

社群


分享到: 微博 微信


返回顶部