隐马尔可夫模型

《隐马尔可夫模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、隐马尔可夫模型维基百科，自由的百科全书跳转到：导航,搜索隐马尔可夫模型状态变迁图（例子）x—隐含状态y—可观察的输出a—转换概率（transitionprobabilities）b—输出概率（outputprobabilities）隐马尔可夫模型（HiddenMarkovModel，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态的

2、转换概率便是全部的参数。而在隐马尔可夫模型中,状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。目录[隐藏]·1马尔可夫模型的演化·2使用隐马尔可夫模型o2.1具体实例o2.2隐马尔可夫模型的应用·3历史·4参见·5注解·6参考书目·7外部连接[编辑]马尔可夫模型的演化上边的图示强调了HMM的状态变迁。有时，明确的表示出模型的演化也是有用的,我们用x（t1）与x（t2）来表达不同时刻t1和t2的状态。在这个图

3、中,每一个时间块（x(t),y(t)）都可以向前或向后延伸。通常，时间的起点被设置为t=0或t=1.[编辑]使用隐马尔可夫模型HMM有三个经典(canonical)问题:·已知模型参数，计算某一特定输出序列的概率.通常使用forward算法解决.·已知模型参数，寻找最可能的能产生某一特定输出序列的隐含状态的序列.通常使用Viterbi算法解决.·已知输出序列，寻找最可能的状态转移以及输出概率.通常使用Baum-Welch算法以及ReversedViterbi算法解决.另外,最近的一些方法使用Junctio

4、ntree算法来解决这三个问题。[编辑]具体实例假设你有一个住得很远的朋友,他每天跟你打电话告诉你他那天作了什么.你的朋友仅仅对三种活动感兴趣:公园散步,购物以及清理房间.他选择做什么事情只凭天气.你对于他所住的地方的天气情况并不了解,但是你知道总的趋势.在他告诉你每天所做的事情基础上,你想要猜测他所在地的天气情况.你认为天气的运行就像一个马尔可夫链.其有两个状态"雨"和"晴",但是你无法直接观察它们,也就是说,它们对于你是隐藏的.每天,你的朋友有一定的概率进行下列活动:"散步","购物",或"清理".因

5、为你朋友告诉你他的活动,所以这些活动就是你的观察数据.这整个系统就是一个隐马尔可夫模型HMM.你知道这个地区的总的天气趋势,并且平时知道你朋友会做的事情.也就是说这个隐马尔可夫模型的参数是已知的.你可以用程序语言(Python)写下来:states=('Rainy','Sunny')observations=('walk','shop','clean')start_probability={'Rainy':0.6,'Sunny':0.4}transition_probability={'Rainy':{'

6、Rainy':0.7,'Sunny':0.3},'Sunny':{'Rainy':0.4,'Sunny':0.6},}emission_probability={'Rainy':{'walk':0.1,'shop':0.4,'clean':0.5},'Sunny':{'walk':0.6,'shop':0.3,'clean':0.1},}在这些代码中,start_probability代表了你对于你朋友第一次给你打电话时的天气情况的不确定性(你知道的只是那个地方平均起来下雨多些).在这里,这个特定的概率分

7、布并非平衡的,平衡概率应该接近（在给定变迁概率的情况下）{'Rainy':0.571,'Sunny':0.429}

8、学字符识别·机器翻译·生物信息学和基因组学o基因组序列中蛋白质编码区域的预测o对于相互关联的DNA或蛋白质族的建模o从基本结构中预测第二结构元素·还有更多...[编辑]历史“隐马尔可夫模型”最初是在20世纪60年代后半期LeonardE.Baum和其它一些作者在一系列的统计学论文中描述的。HMM最初的应用之一是开始于20世纪70年代中期的语音识别。[1]在20世纪80年代后半期，HMM开始应用到生物序列尤其是DNA的分析中。从