HMM(隐性马氏模型)及应用.pptVIP

HMM(隐性马氏模型)及应用 中科院计算所生物信息学研究组 狐昱 2002.10 马氏过程与马氏链 马氏过程：具有无后效性的随机过程。即tm时刻所处状态的概率只和tm-1时刻的状态有关，而与tm-1时刻之前的状态无关。比如布朗运动，柏松过程。 马氏链：时间离散，状态离散的马氏过程。 马氏链的参数 转移概率：akl=P(πi=l|πi-1=k) 初始概率 HMM（Hidden Markov Models） 一个双重随机过程，两个组成部分： ●马氏链：描述状态的转移。 用转移概率 描述 ● 一般随机过程：描述状态与观察序列间的关系 用输出概率 描述 HMM的基本算法 Viterbi算法 前向－后向算法 Baum-Welch算法 Viterbi算法 采用动态规划算法。复杂度O(K2L) K和L分别为状态个数和序列长度 初始化（i＝0）： k0 递推（i＝1…L) ： 终止： 回溯（i＝L…1): 前向－后向算法 前向算法：动态规划，复杂度同Viterbi 定义前向变量 初始化（i＝0）： k0 递推（i＝1…L) ： 终止： 后向算法：动态规划，复杂度同Viterbi 定义后向变量 初始化（i＝L）： 所有 k 递推（i＝L－1…1) ： 终止： Baum－Welch算法 重估公式： HMM应用 主要应用是解码（decoding）。 在生物序列分析中，从序列中的每个值（观察值） 去推测它可能属于那个状态。 两种解码方法： （1）Viterbi算法解码 （2）前向－后向算法＋贝叶斯后验概率 Viterbi解码 由Viterbi算法所得的是一条最佳路径。根据该路径可直接得出对应于每一观察值的状态序列 前向－后向算法＋贝叶斯后验概率 利用贝叶斯后验概率计算序列中的值属于某一状态的概率即： 而 实际建模过程 根据实际问题确定状态个数及观察序列。 用若干已知序列，采用B－W算法估计参数（转移概率 和输出概率 的值。 输入未知序列用Viterbi算法或贝叶斯概率解码。 * * *