10_隐马尔科夫模型HMM2_统计学习方法
文章目录
- 四、学习算法
- 1、监督学习方法
- 2、非监督学习方法(Baum-Welch算法)
- 五、预测算法
- 1、近似算法
- 2、维特比算法
- (1)最优路径特性
- (2)两个变量
- (3)维特比算法流程
隐马尔科夫模型内容较多,方便阅读,分成2个部分
上接:10_隐马尔科夫模型HMM1_统计学习方法
四、学习算法
估计模型λ=(A,B,Π)\lambda = (A,B,\Pi)λ=(A,B,Π)参数。
隐马尔科夫模型的学习,根据训练数据是包含观测序列和对应的状态序列还是只有观测序列,可以分为监督学习和非监督学习。
1、监督学习方法
假设已给训练数据包含SSS个长度相同的观测序列和对应的状态序列{(O1,I1),(O2,I2),⋯,(ON,IN)}\{(O_1,I_1),(O_2,I_2),\cdots,(O_N,I_N)\}{(O1,I1),(O2,I2),⋯,(ON,IN)},那么可以用极大似然估计法来估计隐马尔科夫模型的参数。具体方法如下。
(1)转移概率axya_{xy}axy的估计
设样本中时刻tt\spacet 处于状态xx\spacex 时刻t+1t+1t+1转移到状态yyy的频数为AxyA_{xy}Axy,那么状态转移概率axya_{xy}axy的估计是
a^xy=Axy∑y=1NAxy,x=1,2,⋯,N;y=1,2,⋯,N(30)\hat a_{xy} = \dfrac{A_{xy}}{\sum_{y=1}^N A_{xy}},\space x = 1,2,\cdots,N;y = 1,2,\cdots,N \tag{30}a^xy=∑y=1NAxyAxy, x=1,2,⋯,N;y=1,2,⋯,N(30)
(2)观测概率bykb_{yk}byk的估计
设样本中状态为yyy并观测为kkk的频数是BykB_{yk}Byk,那么状态为yyy观测为kkk的概率bykb_{yk}byk的估计是
b^yk=Byk∑k=1MByk,y=1,2,⋯,N;k=1,2,⋯,M(31)\hat b_{yk} = \dfrac{B_{yk}}{\sum_{k=1}^M B_{yk}},\space y=1,2,\cdots,N;k=1,2,\cdots,M \tag{31}b^yk=∑k=1MBykByk, y=1,2,⋯,N;k=1,2,⋯,M(31)
(3)初始状态概率πx\pi_{x}πx的估计π^x\hat \pi_{x}π^x为SSS个样本中初始状态为qxq_xqx的频数
由于监督学习需要使用训练数据,而人工标注训练数据往往代价很高,有时就会利用非监督学习的方法。
2、非监督学习方法(Baum-Welch算法)
假设给定训练数据只包含SSS个长度为TTT的观测序列{O1,O2,⋯,OS}\{O_1,O_2,\cdots,O_S\}{O1,O2,⋯,OS}而没有对应的状态序列,目标是学习隐马尔科夫模型λ=(A,B,Π)\lambda = (A,B,\Pi)λ=(A,B,Π)的参数。我们将观测序列数据看作观测数据OOO,状态序列数据看作不可观测的隐数据III,那么隐马尔科夫模型事实上是一个含有隐变量的概率模型
P(O∣λ)=∑IP(O∣I,λ)P(I∣λ)(32)P(O|\lambda) = \sum_{I}P(O|I,\lambda)P(I|\lambda) \tag{32}P(O∣λ)=I∑P(O∣I,λ)P(I∣λ)(32)
它的参数学习可以由EM算法实现。
(1)确定完全数据的对数似然函数
所有观测数据写成O=(o1,o2,⋯,oT)O = (o_1,o_2,\cdots,o_T)O=(o1,o2,⋯,oT),所有隐数据写成I=(i1,i2,⋯,iT)I = (i_1,i_2,\cdots,i_T)I=(i1,i2,⋯,iT),完全数据是(O,I)=(o1.o2,⋯,oT,i1,i2,⋯,iT)(O,I) = (o_1.o_2,\cdots,o_T,i_1,i_2,\cdots,i_T)(O,I)=(o1.o2,⋯,oT,i1,i2,⋯,iT)。完全数据的对数似然函数是lnP(O,I∣λ)lnP(O,I|\lambda)lnP(O,I∣λ)。
Q函数推导。
(2)EM算法的E步:极大化QQQ函数Q(λ,λˉ)Q(\lambda,\bar\lambda)Q(λ,λˉ)
argmaxλQ(λ,λˉ)=∑IP(I∣O,λˉ)lnP(O,I∣λ)=∑IP(O,I∣λˉ)P(O∣λˉ)lnP(O,I∣λ)=1P(O∣λˉ)∑IP(O,I∣λˉ)lnP(O,I∣λ)=argmaxλ∑IP(O,I∣λˉ)lnP(O,I∣λ)(33)\begin{aligned}arg\;\max_{\lambda} Q(\lambda,\bar\lambda) & = \sum_{I}P(I|O,\bar\lambda)lnP(O,I|\lambda)\\ & = \sum_{I}\dfrac{P(O,I|\bar\lambda)}{P(O|\bar\lambda)}lnP(O,I|\lambda) \\ & = \dfrac{1}{P(O|\bar\lambda)}\sum_{I}P(O,I|\bar\lambda)lnP(O,I|\lambda) \\ & = arg\;\max_{\lambda} \sum_{I}P(O,I|\bar\lambda)lnP(O,I|\lambda) \tag{33} \end{aligned}argλmaxQ(λ,λˉ)=I∑P(I∣O,λˉ)lnP(O,I∣λ)=I∑P(O∣λˉ)P(O,I∣λˉ)lnP(O,I∣λ)=P(O∣λˉ)1I∑P(O,I∣λˉ)lnP(O,I∣λ)=argλmaxI∑P(O,I∣λˉ)lnP(O,I∣λ)(33)
其中λˉ\bar\lambdaλˉ是隐马尔科夫模型参数的当前估计值,λ\lambdaλ是要极大化的隐马尔科夫模型参数 。
由式(13)有
P(O∣λ)=∑IP(O,I∣λ)=∑IP(O∣I,λ)P(I∣λ)=∑i1,i2,⋯,iTπi1bi1(o1)ai1i2bi2(o2)⋯aiT−1iTbiT(oT)P(O|\lambda) = \sum_{I} P(O,I|\lambda) = \sum_{I} P(O|I,\lambda)P(I|\lambda)= \sum_{i_1,i_2,\cdots,i_T} \pi_{i_1}b_{i_1}(o_1) a_{i_1 i_2}b_{i_2}(o_2)\cdots a_{i_{T-1}\space\space i_{T}}b_{i_T}(o_T)P(O∣λ)=I∑P(O,I∣λ)=I∑P(O∣I,λ)P(I∣λ)=i1,i2,⋯,iT∑πi1bi1(o1)ai1i2bi2(o2)⋯aiT−1 iTbiT(oT)
于是函数Q(λ,λˉ)Q(\lambda,\bar\lambda)Q(λ,λˉ)可以写成:
Q(λ,λˉ)=∑IP(O,I∣λˉ)lnπi1+∑IP(O,I∣λˉ)∑t=1T−1lnaitit+1+∑IP(O,I∣λˉ)∑t=1Tlnbit(ot)(34)\begin{aligned} Q(\lambda,\bar\lambda) = & \sum_{I}P(O,I|\bar\lambda)ln\pi_{i_1} \\ & +\sum_{I}P(O,I|\bar\lambda)\sum_{t=1}^{T-1}ln a_{i_t\,i_{t+1}}\\ & +\sum_{I}P(O,I|\bar\lambda)\sum_{t=1}^{T}ln b_{i_t}(o_t)\tag{34} \end{aligned}Q(λ,λˉ)=I∑P(O,I∣λˉ)lnπi1+I∑P(O,I∣λˉ)t=1∑T−1lnaitit+1+I∑P(O,I∣λˉ)t=1∑Tlnbit(ot)(34)
式中求和是对所有训练数据的序列总长度TTT进行的。
(3)EM算法的M步:极大化QQQ函数Q(λ,λˉ)Q(\lambda,\bar\lambda)Q(λ,λˉ)求模型参数A,B,ΠA,B,\PiA,B,Π
由于要极大化的参数在式(34)中单独地出现在3个项中,所以只需对各项分别极大化,式(34)中三项分别命名为Π\PiΠ式、AAA式和BBB式。
1)求Π\PiΠ式即式(34)的第1项,可以写成:
∑IP(O,I∣λˉ)lnπi1=∑x=1NP(O,i1=qx∣λˉ)lnπx\sum_{I}P(O,I|\bar\lambda)ln\pi_{i_1} = \sum_{x=1}^N P(O,i_1 = q_x|\bar\lambda)ln\pi_{x}I∑P(O,I∣λˉ)lnπi1=x=1∑NP(O,i1=qx∣λˉ)lnπx
因为有πx\pi_xπx满足约束条件∑x=1Nπx=1\sum_{x=1}^N \pi_x = 1∑x=1Nπx=1,利用拉格朗日乘子法,写出拉格朗日函数:
∑x=1NP(O,i1=qx∣λˉ)lnπx+γ(∑x=1Nπx−1)\sum_{x=1}^N P(O,i_1 = q_x|\bar\lambda)ln\pi_{x} + \gamma\left( \sum_{x=1}^N \pi_x - 1\right)x=1∑NP(O,i1=qx∣λˉ)lnπx+γ(x=1∑Nπx−1)
对其求偏导数并令结果为0
∂∂πx[∑x=1NP(O,i1=qx∣λˉ)lnπx+γ(∑x=1Nπx−1)]=0(35)\dfrac{\partial}{\partial \pi_x}\left[\sum_{x=1}^N P(O,i_1 = q_x|\bar\lambda)ln\pi_{x} + \gamma\left( \sum_{x=1}^N \pi_x - 1\right)\right] = 0 \tag{35}∂πx∂[x=1∑NP(O,i1=qx∣λˉ)lnπx+γ(x=1∑Nπx−1)]=0(35)
得
P(O,i1=qx∣λˉ)+γπx=0P(O,i_1 = q_x|\bar\lambda) +\gamma \pi_x =0P(O,i1=qx∣λˉ)+γπx=0
对xxx求和得到γ\gammaγ
∑x=1NP(O,i1=qx∣λˉ)+∑x=1Nγπx=0⟹γ=−P(O∣λˉ)\sum_{x=1}^N P(O,i_1 = q_x|\bar\lambda) +\sum_{x=1}^N \gamma \pi_x =0 \Longrightarrow \gamma = - P(O|\bar\lambda)x=1∑NP(O,i1=qx∣λˉ)+x=1∑Nγπx=0⟹γ=−P(O∣λˉ)
代入式(35)即得
πx=P(O,i1=qx∣λˉ)P(O∣λˉ)=γ1(x)(36)\pi_x = \dfrac{P(O,i_1 = q_x|\bar\lambda)}{P(O|\bar\lambda)} = \gamma_1(x) \tag{36}πx=P(O∣λˉ)P(O,i1=qx∣λˉ)=γ1(x)(36)
- 给定模型参数λˉ\bar\lambdaλˉ和观测OOO,在时刻1处于状态qxq_xqx的概率γ1(x)\gamma_1(x)γ1(x)。
2)AAA式即式(34)中的第2项,可以写成:
∑IP(O,I∣λˉ)∑t=1T−1lnaitit+1=∑x=1N∑y=1N∑t=1T−1P(O,it=qx,it+1=qy∣λˉ)lnaxy\sum_{I}P(O,I|\bar\lambda)\sum_{t=1}^{T-1}ln a_{i_t\,i_{t+1}} = \sum_{x=1}^N\sum_{y=1}^N\sum_{t=1}^{T-1}P(O,i_t = q_x,i_{t+1} = q_y|\bar\lambda)lna_{xy}I∑P(O,I∣λˉ)t=1∑T−1lnaitit+1=x=1∑Ny=1∑Nt=1∑T−1P(O,it=qx,it+1=qy∣λˉ)lnaxy
相似有约束条件∑y=1Naxy=1\sum_{y=1}^N a_{xy} = 1∑y=1Naxy=1的拉格朗日乘子法可以求出
axy=∑t=1T−1P(O,it=qx,it+1=qy∣λˉ)∑t=1T−1P(O,it=qx∣λˉ)=∑t=1T−1P(O,it=qx,it+1=qy∣λˉ)/P(O∣λˉ)∑t=1T−1P(O,it=qx∣λˉ)/P(O∣λˉ)=∑t=1T−1ξt(x,y)∑t=1T−1γt(x)(37)a_{xy} = \dfrac{\sum_{t=1}^{T-1}P(O,i_t = q_x,i_{t+1} = q_y|\bar\lambda)}{\sum_{t=1}^{T-1}P(O,i_t = q_x|\bar\lambda)} = \dfrac{\sum_{t=1}^{T-1}P(O,i_t = q_x,i_{t+1} = q_y|\bar\lambda)/P(O|\bar\lambda)}{\sum_{t=1}^{T-1}P(O,i_t = q_x|\bar\lambda)/P(O|\bar\lambda)} = \dfrac{\sum_{t=1}^{T-1}\xi_t(x,y)}{\sum_{t=1}^{T-1}\gamma_t(x)}\tag{37}axy=∑t=1T−1P(O,it=qx∣λˉ)∑t=1T−1P(O,it=qx,it+1=qy∣λˉ)=∑t=1T−1P(O,it=qx∣λˉ)/P(O∣λˉ)∑t=1T−1P(O,it=qx,it+1=qy∣λˉ)/P(O∣λˉ)=∑t=1T−1γt(x)∑t=1T−1ξt(x,y)(37)
- 给定模型λˉ\bar\lambdaλˉ和观测OOO,在时刻tt\spacet 处于状态qxq_xqx且在时刻t+1t+1t+1处于状态qyq_yqy的概率ξt(x,y)\xi_t(x,y)ξt(x,y),在时刻tt\,t处于状态qxq_xqx的概率γt(x)\gamma_t(x)γt(x);
- 在观测OOO下,状态qxq_xqx转移到状态qyq_yqy的期望值∑t=1T−1ξt(x,y)\sum_{t=1}^{T-1} \xi_t(x,y)∑t=1T−1ξt(x,y);
- 在观测OOO下,由状态qxq_xqx转移的期望值∑t=1T−1γt(x)\sum_{t=1}^{T-1} \gamma_t(x)∑t=1T−1γt(x)。
3)BBB式即式(34)中的第3项,可以写成:
∑IP(O,I∣λˉ)∑t=1Tlnbit(ot)=∑x=1N∑t=1TP(O,it=qx∣λˉ)lnbx(ot)\sum_{I}P(O,I|\bar\lambda)\sum_{t=1}^{T}ln b_{i_t}(o_t) = \sum_{x =1}^N \sum_{t=1}^T P(O,i_t = q_x|\bar\lambda)lnb_x(o_t)I∑P(O,I∣λˉ)t=1∑Tlnbit(ot)=x=1∑Nt=1∑TP(O,it=qx∣λˉ)lnbx(ot)
同样用拉格朗日乘子法,有约束条件∑k=1Mbxk=1\sum_{k=1}^M b_{xk} = 1∑k=1Mbxk=1。注意,只有在ot=vko_t = v_kot=vk时bx(ot)b_x(o_t)bx(ot)对bxkb_{xk}bxk的偏导数才不为0,以I(ot=vk)I(o_t = v_k)I(ot=vk)表示。求得
bxk=∑t=1TP(O,it=qx∣λˉ)I(ot=vk)∑t=1TP(O,it=qx∣λˉ)=∑t=1TP(O,it=qx∣λˉ)I(ot=vk)/P(O∣λˉ)∑t=1TP(O,it=qx∣λˉ)/P(O∣λˉ)=∑t=1Tγt(x)I(ot=vk)∑t=1Tγt(x)(38)b_{xk} = \dfrac{\sum_{t=1}^T P(O,i_t = q_x|\bar\lambda)I(o_t = v_k)}{\sum_{t=1}^T P(O,i_t = q_x|\bar\lambda)} = \dfrac{\sum_{t=1}^T P(O,i_t = q_x|\bar\lambda)I(o_t = v_k)/P(O|\bar\lambda)}{\sum_{t=1}^T P(O,i_t = q_x|\bar\lambda)/P(O|\bar\lambda)} = \dfrac{\sum_{t=1}^T \gamma_t(x) I(o_t = v_k)}{\sum_{t=1}^T \gamma_t(x)} \tag{38}bxk=∑t=1TP(O,it=qx∣λˉ)∑t=1TP(O,it=qx∣λˉ)I(ot=vk)=∑t=1TP(O,it=qx∣λˉ)/P(O∣λˉ)∑t=1TP(O,it=qx∣λˉ)I(ot=vk)/P(O∣λˉ)=∑t=1Tγt(x)∑t=1Tγt(x)I(ot=vk)(38)
- 给定模型λˉ\bar\lambdaλˉ和观测OOO,在时刻tt\,t处于状态qxq_xqx的概率γt(x)\gamma_t(x)γt(x);
- 在观测OOO下,状态qxq_xqx得到观测vkv_kvk的期望值∑t=1,ot=vkTγt(x)\sum_{t=1,o_t = v_k}^T \gamma_t(x)∑t=1,ot=vkTγt(x);
- 在观测OOO下,状态qxq_xqx出现的期望值∑t=1Tγt(x)\sum_{t=1}^T \gamma_t(x)∑t=1Tγt(x)。
上面求得的Π\PiΠ式、AAA式和BBB式可以结合式(27)、(28)和(29)更容易理解其意义。
五、预测算法
预测问题,也称为解码(decoding)问题。已知模型λ=(A,B,Π)\lambda = (A,B,\Pi)λ=(A,B,Π)和观测序列O=(o1,o2,⋯,oT)O = (o_1,o_2,\cdots,o_T)O=(o1,o2,⋯,oT),求对给定观测序列条件概率P(I∣O)P(I|O)P(I∣O)最大的状态序列I=(i1,i2,⋯,iT)I = (i_1,i_2,\cdots,i_T)I=(i1,i2,⋯,iT)。即给定观测序列,求最有可能的对应的状态序列。隐马尔科夫模型预测两种算法:近似算法和维特比算法。
1、近似算法
近似算法的想法是,在每个时刻t选择在该时刻最有可能出现的状态it∗i_t^*it∗,从而得到一个状态序列I∗=(i1∗,i2∗,⋯,iT∗)I^* = (i_1^*,i_2^*,\cdots,i_T^*)I∗=(i1∗,i2∗,⋯,iT∗),将它作为预测的结果。
给定隐马尔科夫模型λ\lambdaλ和观测序列OOO,在时刻t处于状态qxq_xqx的概率γt(x)\gamma_t(x)γt(x)是
γt(x)=αt(x)βt(x)P(O∣λ)=αt(x)βt(x)∑y=1Nαt(y)βt(y)(39)\gamma_t(x) = \dfrac{\alpha_t(x)\beta_t(x)}{P(O|\lambda)} = \dfrac{\alpha_t(x)\beta_t(x)}{ \sum_{y=1}^N \alpha_t(y)\beta_t(y)} \tag{39}γt(x)=P(O∣λ)αt(x)βt(x)=∑y=1Nαt(y)βt(y)αt(x)βt(x)(39)
在每一时刻t最有可能的状态it∗i_t^*it∗是
it∗=argmax1≤x≤N[γt(x)],t=1,2,⋯,T(40)i_t^* = arg\,\max_{1\leq x \leq N}[\gamma_t(x)],\;t =1,2,\cdots,T \tag{40}it∗=arg1≤x≤Nmax[γt(x)],t=1,2,⋯,T(40)
从而得到状态序列I∗=(i1∗,i2∗,⋯,iT∗)I^* = (i_1^*,i_2^*,\cdots,i_T^*)I∗=(i1∗,i2∗,⋯,iT∗)。
近似算法的优点是计算简单,其缺点是不能保证预测的状态序列整体是最有可能的状态序列,因为预测的状态序列可能有实际不发生的部分,即单个状态的最优并不能保证整体最优。上述方法得到的状态序列中有可能存在转移概率为0的相邻状态,即对某些x,y,axy=0x,y,a_{xy}=0x,y,axy=0时。
2、维特比算法
维特比算法实际是用动态规划解隐马尔科夫模型预测问题,即用动态规划求概率最大路径,这时一条路径对应着一个状态序列。
(1)最优路径特性
根据动态规划原理,最优路径具有这样的特性:如果最优路径在时刻t通过结点it∗i_t^*it∗,那么这一路经从结点it∗i_t^*it∗到终点iT∗i_T^*iT∗的部分路径,对于从it∗i_t^*it∗到iT∗i_T^*iT∗的所有可能的部分路径来说,必须是最优的。
- 依据上面的原理,只需从时刻t=1t=1t=1开始,递推地计算在时刻ttt状态为ii\,i的各条部分路径的最大概率,直至得到时刻t=Tt=Tt=T状态为ii\,i的各条路径的最大概率。时刻t=Tt=Tt=T的最大概率即为最优路径的概率P∗P^*P∗,最优路径的终结点iT∗i_T^*iT∗也同时得到。
- 为了找出最优路径的各个结点,从终结点iT∗i_T^*iT∗开始,由后向前逐步求得结点iT−1∗,⋯,i1∗i_{T-1}^*,\cdots,i_1^*iT−1∗,⋯,i1∗,得到最优路径I∗=(i1∗,i2∗,⋯,iT∗)I^* = (i_1^*,i_2^*,\cdots,i_T^*)I∗=(i1∗,i2∗,⋯,iT∗)。
为什么不在计算最大概率的时候就直接记住tt\,t时刻的概率最大的状态呢?最终求得最大概率后,最优的状态序列I∗I^*I∗不就直接求出了吗?
因为tt\,t时刻的最优状态需要t+1t+1t+1时刻来确认验证,而t+1t+1t+1时刻的状态需要t+2t+2t+2时刻验证,所以必须从最后向前才能推出最终的最优状态序列。
(2)两个变量
引入两个变量δ\deltaδ和ψ\psiψ。定义在时刻tt\,t状态为qxq_x\,qx的所有单个路径(i1,i2,⋯,it)(i_1,i_2,\cdots,i_t)(i1,i2,⋯,it)中概率最大值为
δt(x)=maxi1,i2,⋯,it−1P(it=qx,it−1,⋯,i1,ot,⋯,o1∣λ),x=1,2,⋯,N(41)\delta_t(x) = \max_{i_1,i_2,\cdots,i_{t-1}}P(i_t = q_x,i_{t-1},\cdots,i_1,o_t,\cdots,o_1|\lambda),\;x=1,2,\cdots,N \tag{41}δt(x)=i1,i2,⋯,it−1maxP(it=qx,it−1,⋯,i1,ot,⋯,o1∣λ),x=1,2,⋯,N(41)
δt(x)\delta_t(x)δt(x)与前向概率αt(x)\alpha_t(x)αt(x)比较
- 前向概率是计算所有路径在时刻tt\,t状态为qxq_xqx的概率,是计算指定观测序列OOO出现的概率;
- δt(x)\delta_t(x)δt(x)是计算在时刻tt\,t状态为qxq_xqx中所有路径中的最大概率,是用于计算指定观测序列OOO对应的最大概率状态序列I∗I^*I∗。
由定义可得变量δ\deltaδ的递推公式:
δt+1(y)=maxi1,i2,⋯,itP(it+1=qy,it,⋯,i1,ot+1,⋯,o1∣λ)=max1≤x≤N[δt(x)axy]by(ot+1),y=1,2,⋯,N;t=1,2,⋯,T−1(42)\begin{aligned}\delta_{t+1}(y)&=\max_{i_1,i_2,\cdots,i_{t}} P(i_{t+1} = q_y,i_{t},\cdots,i_1,o_{t+1},\cdots,o_1|\lambda)\\ &=\max_{1\leq x \leq N}[\delta_t(x)a_{xy}]b_y(o_{t+1}),\;y=1,2,\cdots,N;\,t = 1,2,\cdots,T-1 \tag{42} \end{aligned}δt+1(y)=i1,i2,⋯,itmaxP(it+1=qy,it,⋯,i1,ot+1,⋯,o1∣λ)=1≤x≤Nmax[δt(x)axy]by(ot+1),y=1,2,⋯,N;t=1,2,⋯,T−1(42)
定义在时刻t+1t+1\,t+1状态为qyq_yqy的所有单个路径(i1,i2,⋯,it,qy)(i_1,i_2,\cdots,i_{t},q_y)(i1,i2,⋯,it,qy)中概率最大的路径的第ttt个结点为
ψt+1(y)=argmax1≤x≤N[δt(x)axy]by(ot+1)=argmax1≤x≤N[δt(x)axy],y=1,2,⋯,N(43)\begin{aligned}\psi_{t+1}(y) = & arg\;\max_{1\leq x \leq N} [\delta_{t}(x)a_{xy}]b_y(o_{t+1})\\ = & arg\;\max_{1\leq x \leq N} [\delta_{t}(x)a_{xy}],\;y = 1,2,\cdots,N\tag{43} \end{aligned}ψt+1(y)==arg1≤x≤Nmax[δt(x)axy]by(ot+1)arg1≤x≤Nmax[δt(x)axy],y=1,2,⋯,N(43)
加深维特比算法的理解可以参考博客:数学之美:维特比和维特比算法。
(3)维特比算法流程
输入:模型λ=(A,b,Π)\lambda = (A,b,\Pi)λ=(A,b,Π)和观测O=(o1,o2,⋯,oT)O = (o_1,o_2,\cdots,o_T)O=(o1,o2,⋯,oT);
输出:最优路径I∗=(i1∗,i2∗,⋯,iT∗)I^* = (i_1^*,i_2^*,\cdots,i_T^*)I∗=(i1∗,i2∗,⋯,iT∗)。
1)初始化
δ1(x)=πxbx(o1),x=1,2,⋯,N\delta_1(x) = \pi_x b_x(o_1),\qquad x =1,2,\cdots,Nδ1(x)=πxbx(o1),x=1,2,⋯,N
ψ1(x)=0,x=1,2,⋯,N\psi_1(x) = 0,\qquad x =1,2,\cdots,Nψ1(x)=0,x=1,2,⋯,N
2)递推。对t=1,2,⋯,T−1t = 1,2,\cdots,T-1t=1,2,⋯,T−1
δt+1(y)=max1≤x≤N[δt(x)axy]by(ot+1),y=1,2,⋯,N\delta_{t+1}(y) = \max_{1\leq x \leq N}[\delta_t(x)a_{xy}]b_y(o_{t+1}),\;y=1,2,\cdots,Nδt+1(y)=1≤x≤Nmax[δt(x)axy]by(ot+1),y=1,2,⋯,N
ψt+1(y)=argmax1≤x≤N[δt(x)axy],y=1,2,⋯,N\psi_{t+1}(y) = arg\;\max_{1\leq x \leq N} [\delta_{t}(x)a_{xy}],\;y = 1,2,\cdots,N ψt+1(y)=arg1≤x≤Nmax[δt(x)axy],y=1,2,⋯,N
3)终止
P∗=max1≤y≤NδT(y)P^* = \max_{1\leq y \leq N}\delta_T(y)P∗=1≤y≤NmaxδT(y)
iT∗=argmax1≤y≤N[δT(y)]i_T^* = arg\;\max_{1\leq y \leq N}[\delta_T(y)]iT∗=arg1≤y≤Nmax[δT(y)]
4)最优路径回溯。对t=T−1,T−2,⋯,1t=T-1,T-2,\cdots,1t=T−1,T−2,⋯,1
it∗=ψt+1(it+1∗)i_t^* = \psi_{t+1}(i_{t+1}^*)it∗=ψt+1(it+1∗)
求得最优路径I∗=(i1∗,i2∗,⋯,iT∗)I^* = (i_1^*,i_2^*,\cdots,i_T^*)I∗=(i1∗,i2∗,⋯,iT∗)。
对于隐马尔科夫模型的学习,在学习之前没有接触过相关知识。所以说我的这篇总结很适合刚入门的小白,回过头来看我总结的大部分内容来自李航老师的统计学习方法,既然是对统计学习方法的学习总结,那么我尽可能基于书本来做总结,另外学习过程中发现书确实非常不错,只是在某些方面可能有些简化,对于刚入门的来说不那么好理解。我认为理解有困难的地方,对其进行了补充说明和图示,另外我把书中所有使用i,ji,ji,j的地方进行了替换成x,yx,yx,y,以免与状态序列III发生混淆。
这个模型感觉非常好,可以解决很多问题啊!后面在练习中进一步加深理解。
∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗********************************************∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗
未完待续……
参考资料
- 统计学习方法——李航
- 隐马尔科夫模型详解
- 02-NLP-05-隐式马尔科夫链
- 隐马尔可夫(HMM)、前/后向算法
10_隐马尔科夫模型HMM2_统计学习方法相关推荐
- 10_隐马尔科夫模型HMM1_统计学习方法
文章目录 一.几个基本概念 1.隐马尔可夫模型 2.马尔科夫链 3.随机过程 4.马尔科夫性质 二.隐马尔科夫模型 1.隐马尔科夫模型的引入 2.隐马尔科夫模型定义 3.隐马尔科夫模型的两个假设 4. ...
- 隐马尔科夫模型HMM(一)HMM模型
2019独角兽企业重金招聘Python工程师标准>>> 隐马尔科夫模型(Hidden Markov Model,以下简称HMM)是比较经典的机器学习模型了,它在语言识别,自然语言处理 ...
- 第十九课.隐马尔科夫模型
目录 隐马尔科夫模型的结构 马尔科夫链与隐马尔科夫模型 实例 HMM的要素 模型的性质 推理问题:HMM的状态解码 隐状态解码问题 最大路径概率与维特比算法 使用维特比算法解码 实例演示 基于Pyth ...
- 隐马尔科夫模型之Baum-Wech算法
隐马尔科夫模型之Baum-Wech算法 https://blog.csdn.net/u014688145/article/details/53046765 Baum-Wech算法之EM算法 https ...
- 机器学习知识点(二十五)Java实现隐马尔科夫模型HMM之jahmm库
1.隐马尔可夫模型HMM的应用场景,关乎于序列和状态变化的都可以. 发现java有可库,专为开发HMM,可惜只能在CSDN上有得下载. 2.jahmm是java开发隐马尔科夫模型的一个j ...
- 隐马尔科夫模型HMM自学 (3)
Viterbi Algorithm 本来想明天再把后面的部分写好,可是睡觉今天是节日呢?一时情不自禁就有打开电脑.......... 找到可能性最大的隐含状态序列 崔晓源 翻译 多数情况下,我们都希望 ...
- 隐马尔科夫模型HMM自学 (2)
HMM 定义 崔晓源 翻译 HMM是一个三元组 (,A,B). the vector of the initial state probabilities; the state transitio ...
- 隐马尔科夫模型HMM自学(1)
介绍 崔晓源 翻译 我们通常都习惯寻找一个事物在一段时间里的变化规律.在很多领域我们都希望找到这个规律,比如计算机中的指令顺序,句子中的词顺序和语音中的词顺序等等.一个最适用的例子就是天气的预测. 首 ...
- 【NLP】用于语音识别、分词的隐马尔科夫模型HMM
大家好,今天介绍自然语言处理中经典的隐马尔科夫模型(HMM).HMM早期在语音识别.分词等序列标注问题中有着广泛的应用. 了解HMM的基础原理以及应用,对于了解NLP处理问题的基本思想和技术发展脉络有 ...
最新文章
- java 同步包_Java并发程序设计(四)JDK并发包之同步控制
- C#怎么通过一个按钮Button,实现点击这个按钮可以打开一个文件或者文件夹?
- FTP服务器之vsftp
- tcpdump抓取mysql语句
- HDU 3501 Calculation 2
- sqlplus连接不上oracle,环境变量设置错误导致sqlplus 连接不上oracle
- c++中关于SQLite中文乱码的解决方法
- 机器学习都需要有哪些数学知识?
- mysql数据库open函数_C#访问Mysql数据库方法,以及库函数
- 零基础入门│带你理解Kubernetes
- 夏日西瓜爽肤五大妙计
- js 数组 实现 完全树_Flink实例(六十八):布隆过滤器(Bloom Filter)的原理和实现 - 秋华...
- c语言三种循环语句,C语言三种循环语句的功能等价性
- JS Navigator onLine 获取系统是否处于脱机模式
- 基于置信加权池的全卷积保证颜色恒常性
- 逻辑谬误_“完成”谬误
- mac上利用openssl命令进行软件安装包的哈希校验
- 小学计算机兴趣小组计划书,小学科技兴趣小组活动计划书
- 敏捷项目的史诗与迭代
- 用三种方式安装Nginx