个人学习笔记（十二）隐马尔科夫模型

       隐马尔科夫模型(hidden Markov model, HMM)是用于标注问题的统计学习模型，属于生成模型。

一、隐马尔科夫模型的基本概念

       隐藏的马尔科夫链随机生成的状态的序列，称为状态序列(state sequence)；每个状态生成一个观测，由此产生观测的随机序列，称为观测序列(observation sequence)。序列的每一个位置可以看作是一个时刻。
       设$Q$是所有可能的状态集合，$V$是所有可能的观测集合，即
Q={q1,q2,⋯ ,qN},　V={v1,v2,⋯ ,vM}Q=\{q_1,q_2,\cdots,q_N\},　V=\{v_1,v_2,\cdots,v_M\}Q={q1​,q2​,⋯,qN​},　V={v1​,v2​,⋯,vM​}       式中，$N$是可能的状态数，$M$是所有可能的观测数。
       $I$是长度为$T$的状态序列，$O$是对应的观测序列，即
$$I=(i_1,i_2,\cdots ,i_T),O=(o_1,o_2,\cdots ,o_T)$$       隐马尔科夫模型建立在以上状态与观测概念的基础上，它由初始状态概率向量$\pi$、状态转移概率矩阵$A$和观测概率矩阵$B$决定。因此，隐马尔科夫模型$\lambda$可用以下三元符号表示
$$\lambda =(A,B,\pi )$$       $A,B,\pi$称为隐马尔科夫模型的三要素，其中$\pi$和$A$决定状态序列，$B$决定观测序列。接着分别介绍$A,B,\pi$的概念。
       $A$是状态转移概率矩阵
$$A=[a_{ij}{]}_{N\times N}$$       其中
$$a_{ij}=P(i_{t+1}=q_j|i_t=q_i),i=1,2,\cdots ,N;j=1,2,\cdots ,N$$       即前一时刻处于状态$q_i$的条件下下一时刻转移到状态$q_j$的概率。
       $B$是观测概率矩阵
$$B=[b_j(k){]}_{N\times M}$$       其中
$$b_j(k)=P(o_t=v_k|i_t=q_j),k=1,2,\cdots ,M;j=1,2,\cdots ,N$$       即处于状态$q_j$的条件下生成观测$v_k$的概率。
       $\pi$是初始状态概率向量
$$\pi =({\pi }_i),i=1,2,\cdots ,N$$       其中
$${\pi }_i=P(i_1=q_i)$$       即第一个时刻处于状态$q_i$的概率。
       隐马尔科夫模型作了下面两个基本假设：
       （1）齐次马尔科夫性假设，即任一时刻$t$的状态只与$t-1$时刻的状态有关，与其他时刻的状态和观测无关
$$P(i_t|i_{t-1},o_{t-1},\cdots ,i_1,o_1)=P(i_t|i_{t-1})$$       （2）观测独立性假设，即任意时刻的观测只依赖该时刻的状态
$$P(o_t|i_T,o_T,i_{T-1},o_{T-1},\cdots ,i_{t+1},o_{t+1},i_t,i_{t-1},o_{t-1},\cdots ,i_1,o_1)=P(o_t|i_t)$$       隐马尔科夫模型可以用于标注，即给定观测的序列预测其对应的标记序列，这时状态对应标记。
       最后介绍一下隐马尔科夫模型的三个基本问题。
       （1）概率计算问题。给定模型$\lambda =(A,B,\pi )$和观测序列$O=(o_1,o_2,\cdots ,o_T)$，计算观测$O$出现的概率。
       （2）学习问题。给定观测序列$O=(o_1,o_2,\cdots ,o_T)$，用极大似然估计模型$\lambda =(A,B,\pi )$的参数。
       （3）预测问题，也叫解码(decoding)问题。给定模型$\lambda =(A,B,\pi )$和观测序列$O=(o_1,o_2,\cdots ,o_T)$，求最可能对应的状态序列。

二、概率计算算法

       概率计算是计算观测序列$O$出现的概率$P(O|\lambda )$，最直接的算法是，先列举所有可能的状态序列$I=(i_1,i_2,\cdots ,i_T)$，计算每个状态序列的概率$P(I|\lambda )={\pi }_{i_1}{a}_{i_1{i}_2}{a}_{i_2{i}_3}\cdots a_{i_{T-1}{i}_T}$，再计算每个状态下的给定观测序列概率$P(O|I,\lambda )=b_{i_1}(o_1)b_{i_2}(o_2)\cdots b_{i_T}(o_T)$，接着计算状态序列$I$和观测序列$O$的联合概率$P(O,I|\lambda )=P(I|\lambda )P(O|I,\lambda )$，对所有可能的$I$求和，得到$P(O|\lambda )={\sum }_{I}P(O,I|\lambda )$。
       这种算法的效率太低了，因为可能的状态序列就有$N^T$个，而每个状态序列的每个时刻都要计算一次给定观测的概率，因此算法是$O(T{N}^T)$阶的。
       接着来看更快的前向算法。先抛出一个定义，给定模型参数$\lambda$，到时刻$t$的部分观测序列为$o_1,o_2,\cdots ,o_t$且时刻$t$状态为$q_i$的概率为前向概率，记作
$${\alpha }_t(i)=P(o_1,o_2,\cdots ,o_t,i_t=q_i|\lambda )$$       这个前向概率是可以递推得到的。首先确定初始时刻$t=1$的前向概率
$${\alpha }_1(i)=P(o_1,i_t=q_i|\lambda )=P(i_t=q_i|\lambda )P(o_1|i_t=q_i,\lambda )={\pi }_i{b}_i(o_1),i=1,2,\cdots ,N$$       接着递推后面各时刻的前向概率
$${\alpha }_{t+1}(i)=P(o_1,\cdots ,o_{t+1},i_{t+1}=q_i|\lambda )=P(o_1,\cdots ,o_{t+1}|\lambda )P(i_{t+1}=q_i|o_1,\cdots ,o_{t+1},\lambda )$$       因为式中的
$$P(o_1,\cdots ,o_{t+1}|\lambda )=P(o_1,\cdots ,o_t|\lambda )P(o_{t+1}|o_1,\cdots ,o_t,\lambda )$$       又上式可继续写作
$$P(o_1,\cdots ,o_{t+1}|\lambda )=\sum _{j=1}^{N}P(o_1,\cdots ,o_t,i_t=q_j|\lambda )P(o_{t+1}|o_1,\cdots ,o_t,i_t=q_j,\lambda )$$       因此
$$P(o_1,\cdots ,o_{t+1}|\lambda )=\sum _{j=1}^N{\alpha }_t(j)a_{ji}$$       代入${\alpha }_{t+1}(i)$的表达式，得
$${\alpha }_{t+1}(i)=[\sum _{j=1}^N{\alpha }_t(j)a_{ji}]b_i(o_{t+1})i=1,2,\cdots ,N$$       递推至最后时刻，得到$P(O|\lambda )$的表达式
$$P(O|\lambda )=P(o_1,\cdots ,o_T|\lambda )=\sum _{i=1}^{N}P(o_1,\cdots ,o_T,i_T=q_i|\lambda )=\sum _{i=1}^N{\alpha }_T(i)$$       前向算法比直接算法快很多，每一次递推都要计算$N^2$次，因此前向算法是$O(T{N}^2)$阶的。
       再来看与前向算法相对应的后向算法。同样先抛出一个定义，给定模型参数$\lambda$，在时刻$t$状态为$q_i$的条件下，从$t+1$往后的部分观测序列为$o_{t+1},o_{t+2},\cdots ,o_T$的概率为后向概率，记作
$${\beta }_t(i)=P(o_{t+1},o_{t+2},\cdots ,o_T|i_t=q_i,\lambda )$$       仔细观察，后向概率与前向概率有两点不同。第一点，前向概率是$o_1,\cdots ,o_t$的概率，后向概率为$o_{t+1},\cdots ,o_T$的概率，它们是互斥的两部分；第二点，在后向概率中，$i_t=q_i$是作为条件写在后面的。
       后向概率同样可以递推得到。首先确定最后时刻$t=T$的后向概率
$${\beta }_T(i)=1,i=1,2,\cdots ,N$$       接着递推前面各时刻的后向概率
$${\beta }_t(i)=\sum _{j=1}^N{\alpha }_{ij}{b}_j(o_{t+1}){\beta }_{t+1}(j),i=1,2,\cdots ,N$$       最终递推至${\beta }_1(i)$后，可以得到$P(O|\lambda )$的表达式
$$P(O|\lambda )=\sum _{i=1}^N{\pi }_i{b}_i(o_1){\beta }_1(i)$$       根据前向概率与后向概率中$P(O|\lambda )$的两个表达式，$P(O|\lambda )$可写成更一般的形式
$$P(O|\lambda )=\sum _{i=1}^N\sum _{j=1}^N{\alpha }_t(i)a_{ij}{b}_j(o_{t+1}){\beta }_{t+1}(j),t=1,2,\cdots ,T-1$$

三、学习算法

       学习问题是给定观测序列，用极大似然估计模型的参数。如果已知的数据中除了观测序列$O$，还有状态序列$I$，那么直接用极大似然估计法来估计参数$\lambda =(A,B,\pi )$即可，具体算法很简单。
       首先是转移概率$a_{ij}$的估计，设样本中两相邻时刻从状态$i$转移到状态$j$的频数为$A_{ij}$，那么状态转移概率$a_{ij}$的估计是
$${\hat{a}}_{ij}=\frac{A_{ij}}{{\sum }_{j=1}^N{A}_{ij}}$$       接着是观测概率$b_j(k)$的估计，设样本中状态为$j$且观测为$k$的频数是$B_{jk}$，那么观测概率$b_j(k)$的估计是
$${\hat{b}}_j(k)=\frac{B_{jk}}{{\sum }_{k=1}^M{B}_{jk}}$$       最后是初始状态概率${\pi }_i$的估计，即为$S$个样本中初始状态为$q_i$的频率。
       在现实中，往往只有观测序列$O$是已知的，状态序列看作是不可观测的隐数据$I$，我们要估计参数$\lambda$，使$P(O|\lambda )$最大，这样EM算法便派上用场了。
       设$\bar{\lambda }$是当前估计值，根据EM算法的E步，$Q$函数为
$$Q(\lambda ,\bar{\lambda })=E_I[logP(O,I|\lambda )|O,\bar{\lambda }]=\sum _{I}logP(O,I|\lambda )P(I|O,\bar{\lambda })$$       由于式中
$$P(I|O,\bar{\lambda })=\frac{P(O,I|\bar{\lambda })}{P(O,\bar{\lambda })}$$       而$P(O,\bar{\lambda })$对要求的$\lambda$而言是常数，因此$Q$函数可写为
$$Q(\lambda ,\bar{\lambda })=\sum _{I}logP(O,I|\lambda )P(O,I|\bar{\lambda })$$       由于式中
$$P(O,I|\lambda )={\pi }_{i_1}{b}_{i_1}(o_1)\cdot a_{i_1{i}_2}{b}_{i_2}(o_2)\cdots a_{i_{T-1}{i}_T}{b}_{i_T}(o_T)$$       把上式分为$\pi ,A,B$三部分代入$Q$函数中，可得
$$Q(\lambda ,\bar{\lambda })=[\sum _{I}log{\pi }_{i_1}+\sum _I\sum _{t=1}^{T-1}log{a}_{i_1{i}_{t+1}}+\sum _I\sum _{t=1}^{T}log{b}_{i_t}(o_t)]\cdot P(O,I|\bar{\lambda })$$       由于要求得三个参数单独地出现在上面三项中，分别求导后可得更新三个参数的表达式
$${\pi }_i=\frac{P(O,i_1=i|\bar{\lambda })}{P(O|\bar{\lambda })}$$$$a_{ij}=\frac{{\sum }_{t=1}^{T-1}P(O,i_t=i,i_{t+1}=j|\bar{\lambda })}{{\sum }_{t=1}^{T-1}P(O,i_t=i|\bar{\lambda })}$$$$b_j(k)=\frac{{\sum }_{t=1}^{T}P(O,i_t=j|\bar{\lambda })I(o_t=v_k)}{{\sum }_{t=1}^{T}P(O,i_t=j|\bar{\lambda })}$$       上面三个式子仍然不够直接，因为它没有直接写出与$\bar{\lambda }=(\bar{A},\bar{B},\bar{\pi })$有关的表达式，为了引出更直接的表达式，下面先介绍两个概念。
       第一个概念，设给定模型$\lambda$和观测$O$，时刻$t$处于状态$q_i$的概率为${\gamma }_t(i)=P(i_t=q_i|O,\lambda )$，结合前向概率${\alpha }_t(i)$与后向概率${\beta }_t(i)$，可得到
$${\gamma }_t(i)=\frac{{\alpha }_t(i){\beta }_t(i)}{{\sum }_{j=1}^N{\alpha }_t(j){\beta }_t(j)}$$       第二个概念，设给定模型$\lambda$和观测$O$，时刻$t$处于状态$q_i$且时刻$t+1$处于状态$q_j$的概率为${\xi }_t(i,j)=P(i_t=q_i,i_{t+1}=q_j|O,\lambda )$，可得到
$${\xi }_t(i,j)=\frac{{\alpha }_t(i)a_{ij}{b}_j(o_{t+1}){\beta }_{t+1}(j)}{{\sum }_{i=1}^N{\sum }_{j=1}^N{\alpha }_t(i)a_{ij}{b}_j(o_{t+1}){\beta }_{t+1}(j)}$$       这样，更新三个参数的表达式可写作
$$a_{ij}=\frac{{\sum }_{t=1}^{T-1}{\xi }_t(i,j)}{{\sum }_{t=1}^{T-1}{\gamma }_t(i)}$$$$b_j(k)=\frac{{\sum }_{t=1,o_t=v_k}^T{\gamma }_t(j)}{{\sum }_{t=1}^T{\gamma }_t(j)}$$$${\pi }_i={\gamma }_1(i)$$

四、预测算法

       预测问题是给定模型$\lambda$和观测序列$O$，求最有可能的状态序列$I$。
       首先是最简单直接的近似算法，不考虑其他时刻，直接对每个时刻$t$计算该时刻最有可能出现的状态，将它作为预测结果。在上一节中提到了${\gamma }_t(i)=\frac{{\alpha }_t(i){\beta }_t(i)}{{\sum }_{j=1}^N{\alpha }_t(j){\beta }_t(j)}$代表时刻$t$处于状态$q_i$的概率，因此在每一个时刻$t$最有可能的状态$i_t^{\ast }$是
$$i_t^{\ast }=\arg \underset{1\le i\le N}{\max }{\gamma }_t(i),t=1,2,\cdots ,T$$       近似算法比较简单，但它只能保证每一时刻都是最有可能的状态，但没法保证整个状态序列是最有可能的状态序列。事实上，用近似算法很有可能出现这种情况：得到的状态序列中，某两个相邻状态的转移概率为0。
       为了求出最有可能的状态序列，我们可以用动态规划(dynamic programming)的思路求解这个最优路径问题，即从时刻$t=1$开始，递推地计算在时刻$t$状态为$i$的各条部分路径的最大概率，直至得到时刻$t=T$状态为$i$的各条路径的最大概率，这就是维特比算法。
       先给出两个定义。在时刻$t$状态为$i$的所有单个路径$(i_1,i_2,\cdots ,i_t)$中概率最大值为
$${\delta }_t(i)=\underset{i_1,i_2,\cdots ,i_{t-1}}{\max }P(i_t=i,i_{t-1},\cdots ,i_1,o_t,\cdots ,o_1|\lambda ),i=1,2,\cdots ,N$$       那么后面各时刻可递推得到，递推公式为
$${\delta }_{t+1}(i)=\underset{1\le j\le N}{\max }[{\delta }_t(j)a_{ji}]b_i(o_{t+1}),i=1,2,\cdots ,N;t=1,2,\cdots ,T-1$$       再给出第二个定义，在时刻$t$状态为$i$的概率最大的路径$(i_1,i_2,\cdots ,i_{t-1},i)$中，第$t-1$个节点的状态为
$${\psi }_t(i)=\arg \underset{1\le j\le N}{\max }[{\delta }_{t-1}(j)a_{ji}]$$       这个${\psi }_t(i)$的含义可能有点难理解，它代表的是到目前为止最优路径中$t-1$个节点的状态，它能帮助我们在递推完成得到$T$时刻的状态后，回溯得到前面各时刻的状态。从另一种角度，${\delta }_t(i)$的递推公式中可以写成
$${\delta }_{t+1}(i)={\delta }_t({\psi }_t(i))a_{ji}{b}_i(o_{t+1})$$       这样，就能引出维特比算法的具体过程了。首先在$t=1$时刻，有
$${\delta }_1(i)={\pi }_i{b}_i(o_1),i=1,2,\cdots ,N$$$${\psi }_1(i)=0,i=1,2,\cdots ,N$$       对后面各时刻递推，有
$${\delta }_t(i)=\underset{1\le j\le N}{\max }[{\delta }_{t-1}(j)a_{ji}]b_i(o_t),i=1,2,\cdots ,N$$$${\psi }_t(i)=\arg \underset{1\le j\le N}{\max }[{\delta }_{t-1}(j)a_{ji}],i=1,2,\cdots ,N$$       递推到时刻$t=T$，可以得到最优状态序列中，时刻$T$的状态为
$$i_T^{\ast }=\arg \underset{1\le i\le N}{\max }{\delta }_T(i)$$       这条路径的概率为
$$P^{\ast }=\underset{1\le i\le N}{\max }{\delta }_T(i)$$       最后便可以用${\psi }_t(i)$回溯了，得到最优状态序列中前面各时刻的状态
$$i_t^{\ast }={\psi }_{t+1}(i_{t+1}^{\ast })$$