fromzhihuHMM

机器学习-隐马尔科夫模型

https://zhuanlan.zhihu.com/p/94019054

 

隐马尔科夫模型

1 基本概念

状态序列（state sequence）：隐藏的马尔可夫随机链生成的状态序列，不可观测

观测序列（observation sequence）：每个状态生成一个观测，由此产生观测的随机序列

隐马尔科夫模型的三要素：

1. 状态转移概率矩阵：，为所有可能的状态数
2. 观测概率矩阵：，为所有的观测的集合
3. 初始状态概率向量：，其中，

隐马尔可夫模型的表示：

隐马尔科夫模型的两个基本假设：

1. 齐次马尔可夫假设：
   假设隐藏的马尔可夫链在任意时刻的状态
   只依赖于其前一时刻的状态
   与其他时刻的状态
   及观测无关
   也与时刻无关
   
   
2. 观测独立性假设：
   假设任意时刻的观测
   只依赖于该时刻的马尔可夫链的状态
   与其他观测
   及状态无关
   
   

隐马尔科夫模型的三个基本问题：

1. 概率计算问题：在模型下观测序列出现的概率
   输入：模型，观测序列 输出：
2. 学习问题：已知观测序列，估计模型的参数，使观测序列概率最大，用极大似然法估计
   输入：观测序列 输出：输出
3. 预测问题，也称为解码问题(Decoding)
   输入：模型，观测序列 输出：状态序列

标注问题，给定观测的序列预测对应的标记序列。状态对应着标记。

2 概率计算问题

2.1 直接计算法

列举所有的可能状态序列，长度为

计算：

计算量：阶的，故不可行

2.2 前向算法

前向概率：给定马尔可夫模型，定义到时刻部分观测序列为，且状态的概率

记作：

观测序列概率的前向算法：

输入：
输出：

1. 初值：，式中观测值为，的含义是对应状态
2. 递推：
   式中，为时刻所处的状态，为时刻所处的状态，从中可以看出的含义
   转移矩阵维度, 观测矩阵维度，具体的观测值可以表示成one-hot形式，维度
   所以的维度：
3. 终止：

计算量：阶的，故可行

前向算法高效的关键：局部计算前向概率，然后利用路径结构将前向的概率“递推”到全局，得到，每一次计算直接引用前一时刻的计算结果，避免重复计算

2.3 后向算法

后向概率：给定马尔可夫模型，定义到时刻状态为的条件下，从到的部分观测序列为的概率

记作：

观测序列概率的后向算法：

输入: 输出:

1. 终值：，在时刻, 观测序列已经确定
2. 从后往前递推：
   
   计算：到时刻状态为的条件下，从之后的观测序列为的后向概率，需要考虑三项：
1. ：在时刻所有可能的个状态的转移概率
2. ：在此状态下的观测的观测概率
3. ：考虑状态之后的观测序列的后向概率
3. 

2.4 概率与期望

1. 输入模型与观测，输出在时刻处于状态的概率：
2. 输入模型与观测，输出在时刻处于状态且在时刻处于状态的概率：
3. 在观测下状态出现的期望值：
4. 在观测下状态转移的期望值：
5. 在观测下状态转移到状态的期望值：

3 学习问题

3.1 监督学习算法

提供训练数据包括观测序列和对应的状态序列，利用极大似然估计法来估计隐马尔可夫模型的参数

人工标注训练数据成本很高

3.2 Baum-Welch算法

Baum-Welch算法是EM算法在隐马尔可夫模型学习中的具体实现，由Baum和Welch提出

马尔可夫模型实际上是一个含有隐变量的概率模型：

Baum-Welch算法：

输入: 观测数据
输出: 隐马尔可夫模型参数

1. 初始化：对，选取，得到模型参数
2. 递推：对，

3. 终止：得到模型参数

4 预测算法

4.1 近似算法

每个时刻最有可能的状态是：

得到序列，作为预测的结果

特点：计算简单，不能保证预测的状态序列整体是最有可能的状态序列，有可能存在转移概率为0的相邻状态

即对某些

4.2 维特比算法

维特比算法：使用动态规划解隐马尔科夫模型，求概率最大路径，这条路径对应一个状态序列

输入: 模型和观测
输出: 最优路径

1. 初始化
2. 递推
3. 终止
4. 最优路径回溯

未完，待续。

参考

1. 李航-统计学习方法
2. 李航-统计学习方法笔记：https://github.com/SmirkCao/Lihang