《语音信号处理》第5章 隐马尔科夫模型.pptx

§5.1隐马尔可夫模型的引入

§5.2隐马尔可夫模型的定义

§5.3隐马尔可夫模型的基本算法;1870年，俄国有机化学家VladimirV.Markovnikov第一次提出马尔可夫模型;马尔可夫性;马尔科夫链;一个关于天气的3状态马尔可夫模型;马尔可夫模型是一个输出符号序列的统计模型，具有N个状态S1,S2,…SN,它按一定的周期从一个状态转移到另外一个状态，每个状态对应一个唯一的符号。;系统当前处于哪一个状态，只与前一时刻所处的状态有关，并通过状态转移概率来决定。下图中aij表示从状态Si转移到状态Sj的概率。;S1;一个关于天气的3状态马尔可夫模型;已知一天(t=1)的天气是晴（S3），问：其后7天的天气为“晴，晴，雨，雨，晴，多云，晴”的概率是多少？

观察序列O={S3，S3，S3，S1，S1，S3，S2，S3}

对应时间t=1,2,3,4,5,6,7,8

;一般情况下，只能观察到输出符号序列(ab)，而不能观测到状态之间如何转移（状态转移概率）和状态的分布（状态的概率），所以称为隐藏的马尔可夫模型。

;;球和缸——描述;球和缸——约束;解：输出aab，可能的状态序列（路径）如下，共7种：;;P1:S1→S1→S1

0.5×0.8×0.3×0.8×0.3×0.2＝0.00576

P2:S1→S1→S2

0.5×0.8×0.3×0.8×0.5×0.7＝0.0336

P3:S1→S1→S3

0.5×0.8×0.3×0.8×0.2×0.5＝0.0096

P4:S1→S2→S2

0.5×0.8×0.5×0.3×0.4×0.7＝0.0168

P5:S1→S2→S3

0.5×0.8×0.5×0.3×0.6×0.5＝0.018;P6:S2→S2→S2

0.5×0.3×0.4×0.3×0.4×0.7＝0.00504

P7:S2→S2→S3

0.5×0.3×0.4×0.3×0.6×0.5＝0.0054;由于是隐HMM模型，不知输出aab时，到底是经过了哪一条不同状态组成的路径，因此，求aab的输出概率时，将每一种可能路径的的输出概率相加得到的总的概率值作为aab的输出概率:

P(O|λ)=0.00576+0.0336+0.0096+0.0168+0.018+0.00504+0.0054=0.0942;1.HMM包含两个随机过程：

（1）马尔可夫链：一个随机过程描述的状态（S1,S2,S3）和状态转移序列（状态转移序列S1S1S2S3、S1S2S2S3和S1S1S1S3等）；

（2）一个随机过程描述状态和观察值之间的统计对应关系（输出的符号组成的符号序列，如，aab）。;各状态下输出符号的输出概率矩阵P3;§5.3隐马尔可夫模型的参数;HMM的基本要素;§5.3隐马尔可夫模型的基本算法;1、前向－后向算法Forward-Backward;√前向算法;初始状态和初始观测的联合概率。;

：给定模型下，产生t＋1以前的部分观测符号序列（包含t＋1在内），且t＋1时刻又处于状态的概率。;S1;;初始分布为;√后向算法;而且，;2.维特比（viterbi）算法;Viterbi算法;;3.Baum-Welch算法(模型训练算法);给定模型和观测序列条件下，在时间t处于状态i，而在t+1处于状态j的概率。;给定模型和观测序列条件下，在时间t处于状态i的概率。;Baum-Welch算法;几种典型形状的马尔可夫链;1.前向后向算法计算P(O|λ)；

2.Baum-Welch算法求出最优解λ*=argmax{P(O|λ)}；

3.Viterbi算法解出最佳状态转移序列；

4.根据最佳状态序列对应的λ给出候选音节或声韵母;

5.通过语言模型形成词和句子。;Baum-Welch

Re-estimation;Select

maximum;作业;回顾

5.3隐马尔可夫模型的基本算法;回顾;马尔可夫性;一个关于天气的3状态马尔可夫模型;已知一天(t=1)的天气是晴（S3），问：其后7天的天气为“晴，晴，雨，雨，晴，多云，晴”的概率是多少？

观察序列O={S3，S3，S3，S1，S1，S3，S2，S3}

对应时间t=1,2,3,4,5,6,7,8

;一般情况下，只能观察到输出符号序列(ab)，而不能观测到状态之间如何转移（状态转移概率）和状态的分布（状态的概率），所以称为隐藏的马尔可夫模型。

;;球和缸——描述;球和缸——约束;由于是隐HMM模型，不知输出aab时，到底是经过了哪一条不同状态组