type
status
date
slug
summary
tags
category
icon
password
上次编辑时间
Sep 7, 2024 05:56 PM
隐马尔可夫模型（Hidden Markov Model, HMM）是一种统计模型，用来描述由隐藏的状态和观测的结果组成的系统。它的核心思想是，通过观测结果推断出系统内部不可直接观测的隐藏状态。HMM 常用于语音识别、自然语言处理、生物信息学等领域。
HMM 有以下三个基本部分：
- 状态集：系统的所有可能状态。这些状态是隐藏的，无法直接观测。通常用 来表示。
- 观测集：系统会根据隐藏状态产生的观测结果。可以观测到的输出是这些结果的一部分，通常用 表示。
- 模型参数：
- 状态转移概率矩阵 ：描述从一个隐藏状态转移到另一个隐藏状态的概率。即 ，其中表示从状态转移到状态的概率。
- 观测概率矩阵：描述在给定隐藏状态下，生成某个观测结果的概率。即 ，其中表示在状态 下观测到 的概率。
- 初始状态分布 ：表示系统开始时处于某个隐藏状态的概率分布。即 ，其中 。
HMM 的应用通常分为三个主要问题：
- 评估问题：给定模型参数和一系列观测，计算该观测序列出现的概率。这可以通过前向-后向算法来求解。
- 解码问题：给定观测序列和模型参数，找到最可能的隐藏状态序列。这可以通过维特比算法来解决。
- 学习问题：给定观测序列，估计模型参数。这通常通过Baum-Welch 算法来完成，它是一种期望最大化（EM）算法的应用。
HMM 的核心在于它通过显式建模观测与隐藏状态之间的关系，使得即使内部状态无法直接观测，也可以通过观测推断出其可能性。
- 作者:Waang Rui
- 链接:https://atrionline.me/article/ai
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
