这篇博客详细介绍了隐马尔科夫模型（HMM）的基础知识，包括其参数、假设和应用场景。通过实例展示了估值问题、解码问题的前向和后向算法，并探讨了学习问题的baum-welch算法。文章还提供了具体算法的计算过程和结果，揭示了HMM在概率计算和序列预测中的应用。
隐马尔科夫模型有五个参数，分别是隐藏状态 w=w1,w2,… ,可见状态 v=v1,v2,… ，隐藏状态转移概率矩阵 aij ，隐藏状态转移到可见状态的概率矩阵 bjk 以及初始状态 π 。
例如，泥土问题的参数有：
1，隐状态：天气{晴，阴，雨}
2，可见状态：泥土{干，湿}
3，转移概率： a=⎡⎣⎢⎢晴−晴阴−晴雨−晴晴−阴阴−阴雨−阴晴−雨阴−雨雨−雨⎤⎦⎥⎥
4，隐藏状态转移到可见状态的概率： b=⎡⎣⎢⎢晴−干阴−干雨−干晴−湿阴−湿雨−湿⎤⎦⎥⎥
5，初始状态： π ,不同的问题对应不同的初始状态
一阶隐马尔科夫模型建立在三条假设上：
一是某时刻隐状态仅由上一时刻隐状态决定，与上一时刻之前的隐状态无关。
二是某时刻可观测状态仅由此时刻隐状态决定。
三是a,b关系概率矩阵不随时间变化
应用隐马尔科夫模型一般解决三类问题：
一，估值问题
已知a,b,v，估计已知的v序列的出现的概率。
二，解码问题
已知a,b,v，估计最可能的隐状态序列
三，学习问题
已知v，估计较可能的a,b矩阵
======================以下是算法练习=========
估值问题
已知
a
最低0.47元/天 解锁文章
扫一扫
1853
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
