隐含马尔科夫模型

隐含马尔科夫模型:

任一时刻t的状态st是不可见的，观察者没法通过观察到一个状态序列s1, s2, ...来推测转移概率，但隐含马尔科夫模型在每个时刻t会输出符号Ot，Ot和St相关且仅和St相关。

 

1、给定一个模型，计算某个特定的输出序列的概率。

举例：

已知语音序列{}的转移概率P（|），也就是根据上一段语音得到下一段语音的概率；

以及语音得到文本的生成概率P（|）；

可以解得：得到的文本翻译序列{}，可以计算得到有多大的概率是正确的。

（问：有多大的概率得到文本翻译序列{}？）

业界对应的算法是Forward-Backward算法，前向后向算法。

 (dp取sum, dp表示各个状态下的概率)

 

2、给定一个模型和某个特定的输出序列，找到最可能产生这个输出的状态序列。

举例：

已知语音序列{}的转移概率P（|），也就是根据上一段语音得到下一段语音的概率；

已知以及语音时得到文本的概率P（|）；

已知文本翻译序列{}

可以解得：概率最大的产生该文本翻译序列的语音序列{}。

业界对应的算法是Viterbi算法，维特比算法。

(dp取max, 同时打印解决方案, dp表示各个状态下的概率)

 

3、给定足够量的观测数据，如何估计隐含马尔科夫模型的参数。

举例：

已知观测数据语音序列{}，文本翻译序列{}；

可以解得：

转移概率P（|）

生成概率P（|）

业界对应的算法是Baum-Welch算法，鲍姆-韦尔奇算法。

(此坑待填)

转载于:https://www.cnblogs.com/dirge/p/6750339.html