【ML-13-1】隐马尔科夫模型HMM

【ML-13-1】隐马尔科夫模型HMM

【ML-13-2】隐马尔科夫模型ＨＭＭ--前向后向算法

【ML-13-3】隐马尔科夫模型ＨＭＭ--Baum-Welch（鲍姆-韦尔奇）

【ML-13-4】隐马尔科夫模型ＨＭＭ--预测问题Viterbi（维特比）算法

目录

1. 基础知识-马尔可夫链
2. HMM简介
3. HMM定义
4. HMM模型的三个基本问题
5. 举例

一、基础知识-马尔可夫链

1.1 马尔可夫性质

设{X(t), t ∈ T}是一个随机过程，E为其状态空间，若对于任意的t1<t2< ...<tn<t，任意的x1,x2,...,xn,x∈E，随机变量X(t)在已知变量X(t1)=x1,...,X(tn)=xn之下的条件分布函数只与X(tn)=xn有关，而与X(t1)=x1,...,X(tn-1)=xn-1无关，即条件分布函数满足下列等式，此性质称为马尔可夫性；如果随机过程满足马尔可夫性，则该过程称为马尔可夫过程。

1.2 马尔可夫链

• 马尔可夫链是指具有马尔可夫性质的随机过程。在过程中，在给定当前信息的情况下，过去的信息状态对于预测将来状态是无关的。
• 马尔可夫链在马尔可夫链的每一步，系统根据概率分布，可以从一个状态变成另外一个状态，也可以保持当前状态不变。状态的改变叫做转移，状态改变的相关概率叫做转移概率。
• 马尔可夫链中的三元素是：状态空间S、转移概率矩阵P、初始概率分布π。

1.3 马尔可夫链案例

设将天气状态分为晴、阴、雨三种状态，假定某天的天气状态只和上一天的天气状态有关，状态使用1(晴)、2(阴)、3(雨)表示，转移概率矩阵P如下：

第n+1天天气状态为 j 的概率为：

因此，矩阵P即为条件概率转移矩阵。

矩阵P的第i行元素表示，在上一个状态为i的时候的分布概率，即每行元的和必须为1

最终状态和转移矩阵相关，和初始值无关。

二、HMM简介

隐马尔可夫模型(Hidden Markov Model, HMM)是一种统计模型，在语音识别、行为识别、NLP、故障诊断等领域具有高效的性能。HMM模型时我们的问题一般有这两个特征：

１）我们的问题是基于序列的，比如时间序列，或者状态序列。

２）我们的问题中有两类数据，一类序列数据是可以观测到的，即观测序列；而另一类数据是不能观察到的，即隐藏状态序列，简称状态序列。

z1,z2...,zn是不可观测的状态，x1,x2,...xn是可观测到的序列；不可观测的状态觉得可观测序列的值(z的取值决定x的取值)。

在z1、z2不可观测的情况下，x1和z2独立吗？x1和x2独立吗？---回答：不独立

在z1给定的情况下，z2和x1是独立的吗？ ---回答：独立

三、HMM定义

HMM由隐含状态S、可观测状态O、初始状态概率矩阵π、隐含状态转移概率矩阵A、可观测值转移矩阵B(又称为混淆矩阵，Confusion Matrix)；π和A决定了状态序列，B决定观测序列，因此HMM可以使用三元符号表示，称

为HMM的三元素：

2.1 HMM参数：

1. S是所有可能的隐含状态集合；O是所有可能的观测集合：

1. I是长度为T的状态序列，Q是对应的观测序列：

1. A是隐含状态转移概率矩阵:

aij是在时刻t处于状态si的条件下时刻t+1转移到状态sj的概率。

1. B是可观测值转移概率矩阵:

bij是在时刻t处于状态si的条件下生成观测值oj的概率。

1. π是初始状态概率向量:

2.2 基本性质：

四、HMM模型的三个基本问题

观测序列概率计算问题：前向-后向算法

给定模型λ=(A,B,π)和观测序列Q={q1,q2,...,qT}，计算模型 λ 下观测到序列Q出现的概率P(Q|λ)，这个问题是HMM模型三个问题中最简单的，详细请看这个系列的第二篇。

模型学习问题：Baum-Welch（鲍姆-韦尔奇）算法(状态未知)

已知观测序列Q={q1,q2,...,qT}，估计模型λ=(A,B,π)的参数，使得在该模型下观测序列P(Q|λ)最大。这个问题的求解需要用到基于EM算法Baum-Welch。是HMM模型三个问题中最复杂的。详细请看这个系列的第三篇。

预测问题也称为解码问题：Viterbi（维特比）算法

给定模型λ=(A,B,π)和观测序列Q={q1,q2,...,qT}，求给定观测序列条件概率P(I|Q，λ)最大的隐含状态序列I，这个问题的求解需要用到基于动态规划的维特比算法。详细请看这个系列的第四篇。

五、举例

假设有三个盒子，编号为1,2,3；每个盒子都装有黑白两种颜色的小球，球的比例如下：

按照下列规则的方式进行有放回的抽取小球，得到球颜色的观测序列：

1. 按照π的概率选择一个盒子，从盒子中随机抽取出一个小球，记录颜色后，放回盒子中；
2. 按照某种条件概率选择新的盒子，重复该操作；
3. 最终得到观测序列："白黑白白黑

• 状态集合：S={盒子1，盒子2，盒子3}
• 观测集合：O={白，黑}
• 状态序列和观测序列的长度T=5
• 初始概率分布π
• 状态转移概率矩阵A（假设）
• 观测概率矩阵B（根据数据而来）

假设状态转移概率矩阵A规则是：如果当前抽球的盒子是第一个盒子，则以0.5的概率仍然留在第一个盒子继续抽球，以0.4的概率去第二个盒子抽球，以0.1的概率去第三个盒子抽球。如果当前抽球的盒子是第二个盒子，则以0.2的概率仍然留在第二个盒子继续抽球，以0.2的概率去第一个盒子抽球，以0.6的概率去第三个盒子抽球。如果当前抽球的盒子是第三个盒子，则以0.3的概率仍然留在第三个盒子继续抽球，以0.2的概率去第一个盒子抽球，以0.5的概率去第二个盒子抽球。如此下去，直到重复五次

在给定参数π、A、B的时候，得到观测序列为"白黑白白黑"的概率是多少?下一节分解

附件一：手写练习