zoukankan      html  css  js  c++  java
  • 概率图:HMM:decoding问题(Viterbi算法)及HMM小结

                                                  Viterbi算法用于解决HMM的decoding问题和用动态规划求解最短路径的共通点【个人理解】

    HMM小结:

                                                                 (来源:B站up主:shuhuai008,板书)

    注意:

    ①likelihood=probability of evidence :都可以表示似然。

    ②Inference包括求后验(decoding)、求似然(prob of evidence),滤波(filtering),平滑(smoothing),预测(prediction)问题。

    备注:最大似然估计可以理解为”最大“(argmax)”似然“(P(O|λ))”估计“(λ:参数估计)。

    filtering(online);smoothing(offline);predicting(online?)

    ③prediction问题可以求t+1,t+2,....的未来时刻的状态变量。

    ④【个人理解】HMM模型属于动态模型(Dynamic Model),“动态”是从时间角度解读的动态。动态模型也叫做状态空间模型(state space model),可以从模型的变量角度解读“状态空间”,因为模型中的变量为状态变量,有隐状态,有观测变量,并且这些变量有若干个,由此形成了状态空间模型。在这个状态空间中,各个状态{x1,x2,...xN,z1,z2,...zN}两两之间具有关联性(可能是时间角度的关联性(比如HMM的it+1与it之间有aij关系;bt与it之间有bj(k)关系)),状态变量之间并不满足独立同分布(iid)。【在这个状态空间中一个状态变量是一个维度,这个和特征空间可以做区分】

    ⑤【个人理解】统计机器学习中,特征空间的若干个维度是特征,每个样本xi是特征空间中的一个点。

    HMM相关算法小结:

                          ( 来源:B站up主:shuhuai008,板书)

                                                                 公式推导

  • 相关阅读:
    WordPress怎么禁用古滕堡编辑器(Gutenberg)
    .Net Framework 4.0安装cmd命令
    Windows服务器一键要打开多个软件或一键关闭多个软件
    Photosho 切换英文版教程
    解决宝塔面板无法停止Tomcat方法
    只要系统镜像就能制作可启动安装系统U盘
    [网摘]分享一段流量劫持JS代码
    Script http跳https
    linux系统 标准目录及其内容
    centos7 永久修改主机名
  • 原文地址:https://www.cnblogs.com/feynmania/p/13295169.html
Copyright © 2011-2022 走看看