posts - 83, comments - 3, trackbacks - 0, articles - 0
  博客园  :: 首页  :: 新随笔  :: 联系 :: 订阅 订阅  :: 管理

隐马尔科夫模型

Posted on 2018-11-13 22:21  MwingFly  阅读(...)  评论(...编辑  收藏

  现在假设要分析一个可以用Markov模型描述的系统,但有一个重要的差别:系统状态不能直接观察到。模型具有独立的输出符号集,在系统进入“隐藏”的状态时按指定概率发出。这样,系统的分析要基于观察到的输出符号顺序,从而根据某个概率推测基础模型的实际状态序列。

什么是隐马模型

  隐马模型(Hidden Markov Model,HMM)是非确定性有限状态变换器,提供三种概率信息:

  • 每个状态标上机器开始时可能处于该状态的概率。
  • 状态p到q(可能一致)的每个转变标上概率,即机器从p变到q的概率。可以用这些概率完全指定M的转变行为。如果M无法从p转入q,则只要将从p到q的概率设置为0.
  • 每个状态q的每个输出符号c标上状态q时输出c的概率。

  形式上,隐马模型M是一个五元组(K,O,π,A,B),其中:

  • K是有限状态集。
  • O是输出字母表。
  • π是个向量,包含每个状态的初始概率。
  • A是个矩阵,表示转换概率。
  • B也称为混淆矩阵,表示输出概率。

应用场景