机器学习隐马尔可夫模型.PPTVIP

HMM的基本要素 用模型五元组 ＝（ N, M, π ，A，B）用来描述HMM，或简写为 =(π ，A，B) 参数 含义 实例 N 状态数目 缸的数目 M 每个状态可能的观察值数目 彩球颜色数目 A 与时间无关的状态转移概率矩阵 在选定某个缸的情况下，选择另一个缸的概率 B 给定状态下，观察值概率分布 每个缸中的颜色分布 p 初始状态空间的概率分布 初始时选择某口缸的概率 HMM可解决的问题 问题1：给定观察序列O=O1,O2,…OT,以及模型 , 如何计算P(O|λ)？ 问题2：给定观察序列O=O1,O2,…OT以及模型λ,如何选择一个对应的状态序列 S = q1,q2,…qT，使得S能够最为合理的解释观察序列O？ 问题3：如何调整模型参数 , 使得P(O|λ)最大？ 解决问题1 基础方法 给定一个固定的状态序列S=(q1，q2，q3…) 表示在qt状态下观测到Ot的概率 N=5, M=100, = 计算量10^72 解决问题1 前向法 动态规划 定义前向变量 初始化： 递归： 终结： 前向法示意图 1 ... t t+1 ... a1j at1 qN . qi . qj . . q1 atN ati aNj aij N=5, M=100, = 计算量3000 解决问题1 后向法 与前向法类似 定义后向变量 初始化： 递归： 终结： Viterbi算法 目的：给定观察序列O以及模型λ,如何选择一个对应的状态序列S ，使得S能够最为合理的解释观察序列O？ N和T分别为状态个数和序列长度 定义： 我们所要找的，就是T时刻最大的 所代表的那个状态序列 Viterbi算法(续) 初始化： 递归： 终结： 求S序列： Baum-Welch算法(模型训练算法) 目的：给定观察值序列O，通过计算确定一个模型l ， 使得P(O| l)最大。 算法步骤： 1. 初始模型（待训练模型） l0, 2. 基于l0 以及观察值序列O，训练新模型 l； 3. 如果 log?P(X|l) - log(P(X|l0) Delta，说明训练已经达到预期效果， 算法结束。 4. 否则，令l0 ＝ l ，继续第2步工作 Baum-Welch算法(续) 定义： Baum-Welch算法(续2) 参数估计： 几种典型形状的马尔科夫链 a. A矩阵没有零值的Markov链 b. A矩阵有零值的Markov链 c./d. 左－右形式的Markov链 HMM的应用领域 语音识别 机器视觉 人脸检测 机器人足球 图像处理 图像去噪 图像识别 生物医学分析 DNA/蛋白质序列分析 作业4 States: Observations: State transition probabilities: emission probability : Initial state distribution: Given:O: 1. 出现次序列的概率为多少(前向算法)? 2. 此序列对应的天气状况序列是什么? 问题: * * * * * 机器学习——隐马尔可夫模型 时小虎 计算机科学与技术学院 智能工程研究室 E-mail: shixiaohu@email.jlu.edu.cn 目 录 HMM的由来 马尔可夫性和马尔可夫链 HMM实例 HMM的三个基本算法 主要参考文献 HMM的由来 1870年，俄国有机化学家Vladimir V. Markovnikov第一次提出马尔科夫模型 马尔可夫模型 马尔可夫链 隐马尔可夫模型 Andrei A Markov Gifted Russian mathematician June 14, 1856 -July 20, 1922 St Petersburg University Doctoral Advisor: Pafnuty Chebyshev Andrei A Markov Research field: number theory continuous fraction theory differential equations probability theory statistics Markov is best known for his work in probability and for stochastic processes especially Markov chains.