zoukankan      html  css  js  c++  java
  • HMM隐Markov模型的原理及应用建模

    这里不讲定量的公式。(由于我也没全然弄明确。不想误人子弟)仅仅谈高速定性理解。


    隐Markov模型原理

    隐Markov模型(Hidden Markov Model。HMM)的实质就是:已知几种原始分类,预測未知原始分类的观測状态的原始分类的过程。其应用是求观測状态到分类的近似最大似然预计。近似是由于理论最大的实际计算量太大,无法做,所以找了个优化求近似最优的方法,简称EM算法。


    一个直观理解的样例:

    问题题干:

    设某人在3个装有红白两种颜色球的盒子中,任取一个盒子,然后在此盒子中连续抽取m次,每次抽取且记录颜色之后放回盒子里。假定各个盒子的内容分别为:

             红球数        白球数      

    盒1   90              10            

    盒2   50              50           

    盒3   40              60            

    如今得到一个记录(红。红。红,红。白)(即m=5) 。可是不告诉我们球出自哪个盒子,该怎样猜測是从哪个盒子取出的观測样本呢?

    问题分析:

         已知三种原始分类,预測未知原始分类的观測状态(红,红。红,红,白)的原始分类的过程。每次概率是固定的,直观感受,出现该记录最大可能是出自盒1。

    HMM隐Markov的基本思想就是这么简单。

         略微变一下题目,如果三种盒子里抽取方式不同。即

             红球数       白球数      抽取方式
    盒1   90              10            随机取。记下颜色后不放回
    盒2   50              50            随机取,记下颜色后放回
    盒3   40              60            随机取,记下颜色后不放回,并放入一个红球

         则问题变成了盒1和盒3的每次抽取的样本概率受上次抽取状态的决定,与更之前的状态无关。


    无论问题怎么变复杂。都是从已知原始分类(先验知识),根据概率理论。预測观測样本到原始分类的问题。


    隐Markov模型的应用

    语音识别:音素相应上例中的球

    手写体汉字识别:像素相应上例中的球

    实际处理过程中会先预处理,得到保持特征不变性的量,而不是简单的音素、像素。


    补充

    1、EM:E步骤。求期望,M步骤。求最大值。针对在測量数据不全然时,一种近似最大似然预计的统计方法。

    2、隐Markov模型扩展:刚才讲的都是简单离散概率模型的隐Markov模型,实际情况能够推广到连续随机变量。典型的有正态分布、Gamma分布,或者某些混合分布等。

    比方最常写在一起的GMM-HMM。即高斯混合模型-隐形马尔科夫模型。该模型即是卷积神经网络的基础。


    3、GMM-HMM的语音识别应用,參考http://blog.csdn.net/abcjennifer/article/details/27346787

    4、GMM即多变量的高斯模型。在机器学习的异常检測中也用到。能够參考http://blog.csdn.net/lonelyrains/article/details/49861491

  • 相关阅读:
    关闭Axapta
    使用API操纵文件
    调用数据源里面的方法
    Axapta进度条应用
    过滤Form的数据源
    使用系统自动产生编号
    获取表中的所有字段
    打开浏览器URL
    报表的一些常用选项
    .NET中访问Oracle数据库链接:ORA02041: client database did not begin a transaction 问题的处理。
  • 原文地址:https://www.cnblogs.com/yxysuanfa/p/7305486.html
Copyright © 2011-2022 走看看