深度学习-马尔科夫模型（HMM）

马科夫链

• 马尔可夫链，因安德烈.马尔科夫（A.A.Markov,1856-1922）得名，是指数学中具有马尔可夫性质的离散事件随机构成。

• 在给定当前只是或信息的情况下，过去（即当前以前的历史状态），对于预测将来（即当前以后的未来状态）是无关的。

• 每个状态的转移只依赖与之前的n个状态，这个过程被称为1个n阶的模型，其中n是影响转移状态的数目。最简单的马尔科夫过程是一阶过程，用数学表达式表示就是下面的形式：

  
  

隐马尔科夫模型

• HMM由初始概率分布π、状态转移概率分布A以及观测概率B确定。

  
  

对A 的解释：

• I是长度为T的状态序列，O是对应的观测序列
• A是状态转移概率矩阵（方阵）

  上一时刻是qi,下一时刻为qj的概率。

对B的解释

• 观测概率矩阵：
• 是在时刻t由i号隐状态（Inner）观测到k号观测值的概率矩阵N行M列。
• 如果是观测序列的状态是连续的，B则为概率密度函数。

对π的解释

• π是初始状态向量，
• πi是第一个时刻处于状态qi的概率

HMM中的两个基本性质

网络拓扑

• 齐次假设：
• 观测独立性假设：

HMM中的3个问题

• 概率计算问题

  • 给定模型λ = (A,B,π),如何有效计算其产生

    的概率？

  • 通过前向算法，后向算法来计算

• 学习问题

  • 得到观测序列

    
    

    ，如何估计隐马模型的参数λ

• 预测问题

  • 给定模型λ = (A,B,π)，和观测序列

    
    

    ，如何球的观测序列背后，概率最大的状态序列？

概率计算问题

直接计算

• 学习过贝叶斯网络，只要有全概率公式，可以通过除法和求和计算任意一个概率公式

• 状态序列 发生的概率是
• 对于固定的状态序列I,观测序列O发生的概率是：

• O和I同时出现的联合概率是：

  
  

• 目标要求：

  
  

  时间复杂度太高，高达O(N*N^T)。

前向算法和后向算法

计算一组时序发生的概率

前向算法

• 定义：给定λ，定义从时刻1到时刻t部分观测序列

  且t时刻的状态为qi的概率称为前向概率，记作：

  
  

• 如何通过桥梁αt(i)来求得我们的最终目标P(O|λ)?
  推导公式如下：

  
  

推导公式的思路如下：

推导的思路