资源描述:
《隐马尔科夫ppt课件.ppt》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、隐马尔科夫过程HiddenMarkovModel,HMM小组成员:SX1504059梅晟SX1504058席艺SX1504068董莉SZ1504020刘叶CONTENTPartOne马尔科夫过程.PartTwo隐马尔科夫过程.PartThree解决算法PartFour拓展应用CONTENTPartOne马尔科夫过程.PartTwo隐马尔科夫过程.PartThree解决算法PartFour拓展应用马尔科夫过程1一个系统,在每个时刻都可能处于N个状态中的一个,N个状态集合是{S1,S2,S3,...SN}。我们现在用q1,q2,q3,…qn来
2、表示系统在t=1,2,3,…n时刻下的状态。在t=1时,系统所在的状态q取决于一个初始概率分布PI,PI(Si)表示t=1时系统状态为Si的概率。马尔科夫过程可以看做是一个自动机,以一定的概率在各个状态之间跳转。1马尔科夫模型有两个性质:1.系统在时刻t的状态只与时刻t-1处的状态相关(无后效性)P(qt=Sj
3、qt-1=Si,qt-2=Sk,…)=P(qt=Sj
4、qt-1=Si)其中,t为大于1的任意数值,Sk为任意状态2.状态转移概率与时间无关(齐次性或时齐性)P(qt=Sj
5、qt-1=Si)=P(qk=Sj
6、qk-1=Si)其中,k
7、为任意时刻。马尔科夫过程CONTENTPartOne马尔科夫过程.PartTwo隐马尔科夫过程.PartThree解决算法PartFour拓展应用隐马尔科夫也比马尔科夫多了一个假设(输出独立性假设),即输出的观察状态仅与当前状态有关,可以用如下公式表示:P(O1,O2,…,Ot
8、S1,S2,…,St)=P(O1
9、S1)*P(O2
10、S2)*...*P(Ot
11、St)其中,O1,O2,…,Ot为从时刻1到时刻t的观测状态序列,S1,S2,…,St则为隐藏状态序列。隐马尔科夫过程隐藏状态观察状态举例隐马尔科夫过(HMM)2我会在不同天气状态下去做
12、不同事情,做这些事情的概率也不尽相同,天气状态集合为{下雨,阴天,晴天},事情集合为{宅着,自习,游玩}。假如已知转移概率、输出概率、天气的初始概率,即P(天气A
13、天气B)、P(事情a
14、天气A)、P(天气A)那么则有几个问题要问:4.假如我这一周做事序列是自习->宅着->游玩->自习->游玩->宅着->自习,那么这一周的天气变化序列最有可能是什么?假如一周内的天气变化是下雨->晴天->阴天->下雨->阴天->晴天->阴天,那么我这一周自习->宅着->游玩->自习->游玩->宅着->自习的概率是多大?2.假如我这一周做事序列是自习->宅着-
15、>游玩->自习->游玩->宅着->自习,不知道天气状态的情况下这个做事序列的概率是多大?3.假如一周内的天气变化是下雨->晴天->阴天->下雨->阴天->晴天->阴天,那我这一周最有可能的做事序列是什么?样例问题42基本要素五元组S:隐藏状态集合(天气情况)O:观察状态集合(我的行为)A:隐藏状态间的转移概率(P(天气A
16、天气B))B:隐藏状态到输出状态的概率(P(事情a
17、天气A))PI:初始概率分布(隐藏状态的初始概率分布)基本问题给定HMM模型(五元组),求某个观察序列O的概率给定HMM模型和观察序列O,求可能性最大的隐藏状态序列对于
18、给定的观察序列O,调整HMM的参数,使观察序列出现的概率最大样例问题2隐马尔科夫过(HMM)CONTENTPartOne马尔科夫过程.PartTwo隐马尔科夫过程.PartThree解决算法PartFour拓展应用解决算法3维特比算法前向算法3前向算法给定模型(五元组),求某个观察序列O的概率分析:对于观察序列O,我们需要找出所有可能的隐藏状态序列S,计算出在给定模型下隐藏状态为S输出为O的概率(就是样例问题一啊),然后计算概率之和。直观上看,假如序列O的长度为T,模型的隐藏状态集合大小为N,那么一共有NT个可能的隐藏状态序列,计算复杂度
19、极高O(NT),暴力算法太慢了。解决算法3前向算法解决方案:动态规划(DynamicProgramming)假设观察序列为O1,O2,O3,….,Ot.在时刻i(1
20、阴天
21、晴天)的子问题。C(3,下雨)考虑了t=1和t=2的所有组合情况。在不
22、同天气状态下去做一些事情的概率不同,天气状态集合为{下雨,阴天,晴天},事情集合为{宅着,自习,游玩}。已知转移概率和输出概率,即P(天气A
23、天气B)和P(事情a
24、天气A)。解决算法3从该图可