隐马尔可夫模型.pptVIP

马尔科夫过程 状态序列: X1, X2, X3, … 马尔科夫过程假设 从Xt-1到Xt的转换只依赖于Xt-1 时间不变性 p(Xt|Xt-1) = p(Xt+n|Xt-1+n) 转移概率Transition Probabilities 假设一个状态Xt有N个可能的值 Xt=s1, Xt=s2,….., Xt=sN. 转移概率的数量为：N2 P(Xt=si|Xt-1=sj), 1≤ i, j ≤N 转移概率可以表示为N×N的矩阵或者有向图 一个状态序列的概率: P(S1, S2, S3, … ,Sn)=P(S1 | S1=start)* P(S2 | S1)*…*P(Sn| Sn-1) 马尔科夫过程的表示 Bigram:一阶马尔科夫链 概率化有限状态自动机 状态：输入输出字母表中的符号 弧：状态的转移 隐马尔可夫模型简介 隐马尔科夫模型的例子 例子：病情转化 假设：某一时刻只有一种疾病，且只依赖于上一时刻疾病 一种疾病只有一种症状，且只依赖于当时的疾病 症状(观察值)：发烧，咳嗽，咽喉肿痛，流涕 疾病(状态值)：感冒，肺炎，扁桃体炎 转移概率：从一种疾病转变到另一种疾病的概率 输出概率：某一疾病呈现出某一症状的概率 初始分布：初始疾病的概率 解码问题：某人症状为：咳嗽→咽喉痛→流涕→发烧 请问：其疾病转化的最大可能性如何？ 例子：词性标注 问题： 已知单词序列w1w2…wn，求词性序列c1c2…cn HMM模型： 将词性为理解为状态 将单词为理解为输出值 训练： 统计词性转移矩阵[aij]和词性到单词的输出矩阵[bik] 求解：Viterbi算法 假设 对于一个随机事件，有一个观察值序列：O1,...,OT 该事件隐含着一个状态序列：X1,...,XT 假设1：马尔可夫假设（状态构成一阶马尔可夫链）  p(Xi|Xi-1…X1) = p(Xi|Xi-1) 假设2：不动性假设（状态与具体时间无关） p(Xi+1|Xi) = p(Xj+1|Xj)，对任意i,j成立 假设3：输出独立性假设（输出仅与当前状态有关） p(O1,...,OT | X1,...,XT) = Π p(Ot | Xt) 定义 一个隐马尔可夫模型 (HMM) 是一个五元组： (ΩX , ΩO, A, B, π ) 其中： ΩX = {q1,...qN}：状态的有限集合 ΩO = {v1,...,vM}：观察值的有限集合 A = {aij}，aij = p(Xt+1 = qj |Xt = qi)：转移概率 B = {bik}，bik = p(Ot = vk | Xt = qi)：输出概率 π = {πi}， πi = p(X1 = qi)：初始状态分布 问题 令 λ = {A,B,π} 为给定HMM的参数， 令 σ = O1,...,OT 为观察值序列， 隐马尔可夫模型（HMM）的三个基本问题： 评估问题：对于给定模型，求某个观察值序列的概率p(σ|λ) ； 解码问题：对于给定模型和观察值序列，求可能性最大的状态序列； 学习问题：对于给定的一个观察值序列，调整参数λ，使得观察值出现的概率p(σ|λ)最大。 算法 评估问题：向前算法 定义向前变量 采用动态规划算法，复杂度O(N2T) 解码问题：韦特比（Viterbi）算法 采用动态规划算法，复杂度O(N2T) 学习问题：向前向后算法 EM算法的一个特例，带隐变量的最大似然估计 1评估问题：向前算法 算法：向前算法（一） 算法：向前算法（二） 2解码问题： Viterbi算法 Viterbi算法 Viterbi算法 学习问题：EM算法 资源 Rabiner, L. R., A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, Proceedings of the IEEE, vol. 77, no. 2, Feb. 1989, pgs 257 - 285. There is a lot of notation but verbose explanations accompany. 翁富良，王野翊，计算语言学导论，中国社会科学出版社，1998 HTK：HMM Toolkit Hidden Markov Model (HMM) White Paper (GeneMatcher) …… 总结 HMM模型可以看作一种特定的Bayes Net HMM模型等价于概率正规语法或概率有限状态自动机 HMM模型可以用一种特定的神经网络模型来模拟 优点：研究透彻，算法成熟，效率