隐马尔可夫模型 是用于标注问题的生成模型。有几个参数(π,A,B):初始状态概率向量π,状态转移矩阵A,观测概率矩阵B。称为马尔科夫模型的三要素
观测序列举例为“干燥、潮湿、湿透”。
状态序列举例为“晴天、多云、下雨”
A为第二张表展示的状态转移矩阵向量:
B为观测概率矩阵向量:
π为隐藏状态初始概率向量:
1、概率计算问题(评估问题)
概率计算问题(评估问题):给定模型和观测序列,计算模型下观测序列输出的概率,用于评估该序列最匹配的模型。(得到观测序列概率和隐藏序列概率)
2、学习问题
学习问题:已知观测序列,估计模型参数,即用极大似然估计来估计参数。–》Baum-Welch(也就是EM算法)和极大似然估计。
即已知观测序列,找到π,A,B三个参数的最优解以达到需要某个结果的最大概率,得到模型的参数
(1)、Baum-Welch算法简述:
(2)、EM算法:
详解请点击:https://blog.csdn.net/quicmous/article/details/52154527
(3)、最大似然估计:
详解请点击:https://blog.csdn.net/quicmous/article/details/52154628
3、预测问题
预测问题:已知模型参数和观测序列,求解对应的状态序列。–》近似算法(贪心算法)和维比特算法(动态规划求最优路径)
思路整理来自:
隐马尔可夫模型求解三大问题实例剖析(大部分来自于此):
https://blog.csdn.net/quicmous/article/details/52208302
隐马尔科夫模型,三个基本问题及相应算法:
https://blog.csdn.net/xingchenhy/article/details/72847534