0
点赞
收藏
分享

微信扫一扫

隐马尔科夫3

1.观测序列的生成过程

根据隐马尔科夫模型的定义,可以将一个长度为T的观测序列 O = ( o 1 , o 2 , . . , o T ) O=(o_1,o_2,..,o_T) O=(o1,o2,..,oT)的生成过程描述如下。

输入:隐马尔科夫模型 λ = ( A , B , π ) λ=(A,B,π) λ=(A,B,π),观测序列长度T;
输出:观测序列 O = ( o 1 , o 2 , . . . , o T ) O=(o_1,o_2,...,o_T) O=(o1,o2,...,oT)
(1)按照初始状态分布 π π π产生状态 i 1 i_1 i1
(2)令t=1;
(3)按照状态 i t i_t it的观测概率分布 b i t ( k ) b_{i_t}(k) bit(k)生成 o t o_t ot;
(4)按照状态 i t i_t it的状态转移概率分布{ a i , i t + 1 a_i,i_{t+1} ai,it+1}产生状态 i t + 1 , i t + 1 = 1 , 2 , . . . , N i_{t+1},i_{t+1}=1,2,...,N it+1it+1=1,2,...,N;
(5)令 t = t + 1 t=t+1 t=t+1;如果 t < T t<T t<T,转步(3);否则,终止。

2.隐马尔科夫模型的3个基本问题

(1)概率计算问题。 给定模型 λ = ( A , B , π ) λ=(A,B,π) λ=(A,B,π)和观测序列 O = ( o 1 , o 2 , . . , o T ) O=(o_1,o_2,..,o_T) O=(o1,o2,..,oT)计算在模型 λ λ λ下观测序列O出现的概率 P ( O ∣ λ ) P(O|λ) P(Oλ)

(2)学习问题。 已知观测序列 O = ( o 1 , o 2 , . . , o T ) O=(o_1,o_2,..,o_T) O=(o1,o2,..,oT),估计模型 λ = ( A , B , π ) λ=(A,B,π) λ=(A,B,π)参数,使得在该模型下观测序列概率 P ( O ∣ λ ) P(O|λ) P(Oλ)最大。即用极大似然估计的方法估计参数。

(3)预测问题,也称为解码(decoding)问题。已知模型 λ = ( A , B , π ) λ=(A,B,π) λ=(A,B,π)和观测序列 O = ( o 1 , o 2 , . . , o T ) O=(o_1,o_2,..,o_T) O=(o1,o2,..,oT),求对给定观测序列条件概率 P ( I ∣ O ) P(I|O) P(IO)最大的状态序列 I = ( i 1 , i 2 , . . . , i T ) I=(i_1,i_2,...,i_T) I=(i1,i2,...,iT)即给定观测序列,求最有可能的对应的状态序列。

举报

相关推荐

0 条评论