HMM 算法随记(1)

本文探讨了隐马尔科夫模型(HMM)的基本原理及其在处理长距离序列问题时的局限性。HMM是一种广泛应用的概率模型,在语音识别、自然语言处理等领域有重要作用。文章指出,由于HMM遵循马尔科夫随机过程,其对于序列中长距离依赖的处理能力有限。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

        今天开始写一些算法的随记。因为除了写一些大段的文章来说,把一些读paper 或者是读 算法心得记录一下更重要。所以开始写一些随记。希望自己能坚持下去!

        关于HMM的随记:在自己的工程实践中用HMM很多次了,关于HMM的中英文资料也读了一些。HMM的局限在哪儿?

        HMM是前提是一个双随机过程,HMM遵循马尔科夫随机过程,马尔科夫随机过程的特性如下:

           P[qt=si| qt-1=sj,qt-2=sk,....] = P[qt=si|qt-1=sj]

    “ 定义观察序列和标记序列的联合分布意味着所有可能的观察序列必须是可枚举的,如果观察序列中存在长距离依赖,枚举所有可能的观察序列是十分困难的,因

此,为了便于模型处理问题,生成模型给出了一个严格的输出独立性假设。”  简而言之,就是根据上面的假设,如果是处理长距离的序列问题,HMM有点力不从心。 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值