当前位置:文档之家› 隐马尔科夫模型(原理图解)

隐马尔科夫模型(原理图解)

隐马尔可夫模型原理图解
Hidden Markov Models
张庆科
山东大学高性能计算与大数据处理学科组
High Performance Computing and Big Data Processing Group
提 纲
1 2
Markov Model Model Hidden Markov
隐马尔科夫模型的三个问题
t=1 系统状态数目(N=3)
t=2
t=3
t=4
t=5
S1
a11 a13 a12
S1
a11 a12
S1
a11 a12
S1
a11 a12
S1
S1 S2 S3


a21 S2 a22 a23 a31
S3
a21 S2 a22 a23
a21 S2 a22 a23
a21 S2 a22 a23
S2

a32 a33
a1N a2 N aNN
E

a0N
aN1 aN2 (4) a 1 04 SN S3 aNN S 4 a05
1 (5)
O1 S5 O 2
a32 2 (4) SN a33
S4
3 (4)
SN
a32T (4) a33 S SN
4
aT4
aT5
BN *M
2 (5)
S5 O 3
3 (5)
S5 OT-1
T (5)
S5 OT
b11 12 1M b b b2 M 21 22 bN 1 bN 2 bNM
…S 2…S 3Leabharlann S4a12T (2)
S2
aT1
AN *N
aT2 a21 z S 3 (3) S2 a22 T (3) S 2 2 aT3 a23
S3
a11 a12 a a 21 22 aN 1 aN 2
A转移概率矩阵

S1 1
S1
N
π
S2 2
S2
AN *N
a11 a12 a aS2 21 22 aN 1 aN 2
A转移概率矩阵
a1N … S2 a2 N aNN
S2 2
a23
S3 S3
a31
… …
Q1
观 测 状 态
Q2
QM QM
t=1

SN
aN 1
Q Q1 1 Q2

SN
Q1 Q2

SN
状态序列≠观测序列
Q1 Q2

SN

SN

SN
H M M
… … … …
Q Q1 1 Q2
Q1 Q2 一般随机过程 观察状态序列


QM
t=2

QM
t=3

QM
t=T-1

QM
t=T
后 向 算 B生成概率矩阵 法 b b
P(O | )
1 (k ) a0k bk (o1 )
8

问题本质:计算产生观测序列O的所有可能的状态序列对应的概率之和
QST





Pr(O,Q | )= Pr(O, 路径Q |)+Pr(O, 路径Q |)+
t=1 t=2
aN1 a04
1 (3)
2 (3)
S S3 2
3 (3)
S3 S2
T (3)
S3
S S3 2
z S S 2 2
a3-0 a4-0
a11 a12 a a 21 22 aN 1 aN 2
E
A转移概率矩阵
qt
t时刻
q1
T=1
q2
T=2
q3
T=3

qt-1
t-1时刻
qt
t 时刻
3
山东大学高性能计算与大数据处理学科组
3. 隐马尔可夫模型
t=1 t=2 t=3 t=T-1 t=T
S1
隐 藏 状 态
S1 S2
S1 S2
S1 S2 S3
… …
S1 S2 S3
S1 S1 2 S3 马儿科夫过程 隐藏状态序列
S2 S3
1 (N)
SN
t 1 (N)
SN
t (N)
……
bk (ot )
a N 0
SN T (N)
O1
Ot-1
Ot
……
OT
P(O| ) T (k) ak 0
k 1 N
前进
N t (k ) t 1 (l ) alk bk (ot ) l 1
St=T-1 1
S1t=T
S1
a01 a02
1 (2) S
S2
1
2 (2)
S2
S1
3 (2)
a01


S2
S1 1
T (2) S
S2
1
a1-0 a2-0
AN *N
a01 a π 02 viterbi 算法 a0 N
a02
B
S2
a03
概率计算问题
路径预测问题
参数学习问题
3
总结
1
山东大学高性能计算与大数据处理学科组
1马尔可夫模型
马尔可夫模型是数学中具有马尔可夫性质的离散时间随机过程,是用于描述随机
过程统计特征的概率模型。
t=1 t=2 t=3 t=T-1 t=T
S1 S1 S2 S2 S3 S3 S2 S1 S1 S2 S3
b2(Q2) O2
II-观察序列
Q3

从某时刻状态到下时刻的状态按一定概率转移

下时期状态只取决于当前时期状态和转移概率
aij P(qt S j | qt 1 Si )
qt-1
t-1时刻
5
P(qt S j | qt 1 Si , qt 2 Sk , ) P(qt S j | qt 1 Si )
a10
S1
1 (1)
…… ……
S1
t 1 (1)
a1k ak k
S1
t (1)
…… ……
S1
a01
0

Sk


t (k )
a0k
a0 N
1 (k )
Sk

Sk
Sk
ak 0

0
P(O | )

1 (k ) a0k bk (o1 )

SN

……
bk (o1 )
aN k
B生成概率矩阵




SN
SN
OT

HMM模型五元组表示:λ =( N, M, π , A, B)用来描述HMM,或简写为 λ =(π , A, B)
6




OM

山东大学高性能计算与大数据处理学科组
提 纲
1 2
Hidden Markov Model 隐马尔科夫模型的三个问题
概率计算问题
路径预测问题
T (N)
Ot
后退
N
Ot+1
OT
t (k ) ak l bl (ot 1 ) t 1 (l )
l 1
T (k ) ak 0 bk (oT )
10
山东大学高性能计算与大数据处理学科组
提 纲
1 2
Hidden Markov Model 隐马尔科夫模型的三个问题
概率计算问题
参数学习问题
3
总结
7
山东大学高性能计算与大数据处理学科组
1. 隐马尔可夫模型-全概率计算 问题1:给定观察序列O=O1,O2, …,OT,以及模型λ=(π,A,B),计算P(O|λ)?
t=1
Π:初始概率向 量
1 (1)
t=2
2 (1)
t=3
3 (1)
S1
t=T-1
T (1)
t=T

4
山东大学高性能计算与大数据处理学科组
4. 隐马尔可夫模型(Hidden Markov Models,HMM)
一阶隐马尔可夫模型(Hidden Markov Models)图解
t=1
转移概率
t=2
t=3
t=4
t=5
S1
a11 a13 a12
S1
a11 a12
S S1 1
a11 a12
S1 1
a11 a12
山东大学高性能计算与大数据处理学科组
2. 概率计算问题:前向算法(Forward Algorithm) 问题1:给定观察序列O=O1,O2, …,OT,以及模型λ=(π,A,B),如何计算P(O|λ)? 初始化阶段(t = 1)
1
中间递归阶段(t = 2,…,T)
t-1 t T
结束阶段
T (1)
前进
N=5, T=100, => 计算量3000
9
山东大学高性能计算与大数据处理学科组
3. 概率计算问题:后向算法(Forward Algorithm) 问题1:给定观察序列O=O1,O2, …,OT,以及模型λ=(π,A,B),如何计算P(O|λ)? 结束阶段
1
中间递归阶段(t = T-1,…, 2,1)
相关主题