隐马尔可夫型及其应用.docVIP

隐马尔可夫模型及其应用 摘要：隐马尔可夫模型是序列数据处理和统计学习的重要概率模型，已经成功被应用到多工程任务中。本小论文首先从隐马尔可夫模型基本理论和模型的表达式出发，进而从隐马尔可夫模型的应用着手，最后对隐马尔可夫模型的最新应用进行简单介绍。 关键词：隐马尔可夫模型、评估问题、解码问题、学习问题、最新应用 1.引言 隐马尔可夫模型（Hidden Markov Model，HMM）作为一种统计分析模型，创立于20世纪70年代。80 年代得到了传播和发展，成为信号处理的一个重要方向，现已成功地用于语音识别，行为识别，文字识别以及故障诊断等领域。 2.HMM的基本理论及其模型的表达式 2.1HMM的基本理论 隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程----具有一定状态数的隐马尔可夫链和显示随机函数集。自20世纪80年代以来，HMM被应用于语音识别，取得重大成功。到了90年代，HMM还被引入计算机文字识别和移动通信核心技术“多用户的检测”。近年来，HMM在生物信息科学、故障诊断等领域也开始得到应用。 2.2HMM模型的表达 　　隐马尔可夫模型（HMM）可以用五个元素来描述，包括2个状态集合和3个概率矩阵： 　　（1）隐含状态 S 　　这些状态之间满足马尔可夫性质，是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到。（例如S1、S2、S3等等) 　　（2） 可观测状态 O 　　在模型中与隐含状态相关联，可通过直接观测而得到。(例如O1、O2、O3等等，可观测状态的数目不一定要和隐含状态的数目一致）。 　　（3） 初始状态概率矩阵 π　 　　表示隐含状态在初始时刻t=1的概率矩阵，(例如t=1时，P(S1)=p1、P(S2)=P2、P(S3)=p3，则初始状态概率矩阵 π=[ p1 p2 p3 ]. 　　（4） 隐含状态转移概率矩阵 A。 　　描述了HMM模型中各个状态之间的转移概率。 　　其中Aij = P( Sj | Si ),1≤i,,j≤N. 　　表示在 t 时刻、状态为 Si 的条件下，在 t+1 时刻状态是 Sj 的概率。 　（5） 观测状态转移概率矩阵 B （英文名为Confusion Matrix，直译为混淆矩阵不太易于从字面理解）。 　　令N代表隐含状态数目，M代表可观测状态数目，则： 　　Bij = P( Oi | Sj ), 1≤i≤M,1≤j≤N. 　　表示在 t 时刻、隐含状态是 Sj 条件下，观察状态为 Oi 的概率。 　　总结：一般的，可以用λ=(A,B,π)三元组来简洁的表示一个隐马尔可夫模型。隐马尔可夫模型实际上是标准马尔可夫模型的扩展，添加了可观测状态集合和这些状态与隐含状态之间的概率关系。 3. HMM的应用 3.1 HMM在语音处理中的应用 HMM是序列数据处理和统计学习的一种重要概率模型，近几年来已成功被应用到许多语音处理的任务中。抽取过程描述如下： 对论文部分进行预处理。主要是依据回车和逗号、分号等标点和符号对头部信息进行语义块切分，然后在语义块基础上进行信息抽取，这样可以有效提高抽取准确率召回率。另外还根据“摘要”、“中图分类号”等待定标签将相应抽取域标识； 根据一些特征对部分语义块（如标题、单位等）进行词语切分，然后计算各个词语成语义块输出概率； 在给定的HMM模型下，用韦特比算法进行计算，求出状态序列，即语义块相关联的域，然后按关联抽取各语义项。下面给出HMM模型的语音到口型的映射图。 3.2　HMM在人脸识别中的应用 HMM是用概率统计的方法进行时序数据识别模拟的分类器。最早将HMM应用于人脸识别的文献是根据人脸由上至下各个区域（如头发、额头、眼睛、鼻子、嘴巴）具有自然不变的顺序这一相似共性，即可用一个ID-HMM，共同组成了. 表１是基HMM人脸识别方法和其他识别方法的性能比较： 3.3　HMM在人脸表情识别中的应用 HMM在人脸识别中应用模型步骤如下： （1）评估问题：得到观察序列和模型参数，利用前向-后向算法快速计算出该模型下，观察事件序列发生的概率. 　　（2）解码问题:利用 Viterbi算法选择对应的状态序列，是S能够合理地解释观察序列O。即揭晓模型隐含部分，在优化准则下找到最有状态序列。 (3) 学习问题。 利用Baum-Welch算法来调整模型参数，即得到模型中的五个参数，使得最大。 人脸表情识别的任务就在于通过表情图像来分析和建立HMM，对表情进行训练和识别。人脸表情HMM状态划分和确定如下图所示，结