隱馬爾可夫模型hiddenmarkovmodel(參考版)
2025-08-04 14:35本頁(yè)面
【正文】 ? 算法步驟： 1. 初始模型（待訓(xùn)練模型） ?0, 2. 基于 ?0 以及觀察值序列 O， 訓(xùn)練新模型 ?； 3. 如果 log P(X|?) log(P(X|?0) Delta， 說(shuō)明訓(xùn)練已經(jīng)達(dá)到預(yù)期效果， 算法結(jié)束。 – 一般隨機(jī)過(guò)程 ：描述狀態(tài)與觀察序列間的關(guān)系， 用 觀察值概率 描述。 ? 最后得到一個(gè)描述球的顏色的序列 O1,O2,… ，稱為觀察值序列 O。 1( , ) 1 , 1 , 2 ,ijjP m m n i??? ? ? ??HMM實(shí)例 Observed Ball Sequence Urn 3 Urn 1 Urn 2 Veil HMM實(shí)例 ——描述 ? 設(shè)有 N個(gè)缸 ， 每個(gè)缸中裝有很多彩球 ， 球的顏色由一組概率分布描述 。隱馬爾可夫模型 Hidden Markov model 目 錄 ? HMM的由來(lái) ?馬爾可夫性和馬爾可夫鏈 ? HMM實(shí)例 ? HMM的三個(gè)基本算法 ?主要參考文獻(xiàn) HMM的由來(lái) ? 1870年，俄國(guó)有機(jī)化學(xué)家 Vladimir V. Markovnikov第一次提出馬爾科夫模型 ?馬爾可夫模型 ?馬爾可夫鏈 ?隱馬爾可夫模型 馬爾可夫性 ? 如果一個(gè)過(guò)程的 “ 將來(lái) ” 僅依賴 “ 現(xiàn)在 ”而不依賴 “ 過(guò)去 ” ， 則此過(guò)程具有 馬爾可夫性 ,或稱此過(guò)程為 馬爾可夫過(guò)程 ? X(t+1) = f( X(t) ) 馬爾科夫鏈 ? 時(shí)間 和 狀態(tài) 都離散的馬爾科夫過(guò)程稱為馬爾科夫鏈 ? 記作 {Xn = X(n), n = 0,1,2,… } – 在時(shí)間集 T1 = {0,1,2,… }上對(duì)離散狀態(tài)的過(guò)程相繼觀察的結(jié)果 ? 鏈的狀態(tài)空間記做 I = {a1, a2,… }, ai∈ R. ? 條件概率 Pij ( m ,m+n)=P{Xm+n = aj|Xm = ai} 為馬氏鏈在時(shí)刻 m處于狀態(tài) ai條件下，在時(shí)刻 m+n轉(zhuǎn)移到狀態(tài) aj的 轉(zhuǎn)移概率 。 轉(zhuǎn)移概率矩陣 陰天 晴天 下雨 晴天 陰天 下雨 晴天
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1