机器学习之隐含马尔可夫

一、马尔可夫

简单的来说，马尔可夫过程就是说当前的状态仅和上一个状态有关，它是一种2-gram模型

 

二、HMM(Hiden Markov model) 隐含马尔可夫模型

描述：

    HMM是一个时间序列问题。

    HMM主要有两个矩阵和两个序列，首先有 n 个状态 S_i , 每个状态可以产生 m 个观测值 V_{j ,} 状态和状态之间又一个状态转移矩阵A_nXn = [ a_ij ]，状态和观测值之间有一个观测概率矩阵 B_nXm = [b_ij],  然后还有一个最初的状态概率 ∏，根据这些条件我们可以解决下面三个问题

1、概率问题，某个观测序列出现的概率

    我们知道最初的状态的概率∏，状态转移矩阵，观测概率矩阵，可以求出某个观测序列出现的概率，主要有两种方法，前向法和后项法。

    假设

    前向法：

    从最初的状态（∏）开始求出 观测结果为 v1 的概率， 也就是每一个状态都会产生 V1， 

    在产生出 V1 的情况下，去求下一步产生出V2 的概率，前一个时间每个状态都可以转移到当前时间的状态，而当前状态主要产生V2, 形成一个树状结构

    直到最后状态t， 将所有产生Vt的概率累加，即得 观测序列 （V1， V2 ... Vt）的概率。

    后向算法：

    与前向类似，前向是从最初状态（∏）开始出发，后向是从最后的状态，原理差不多。

2、学习问题：已知观测序列，估计模型参数

     没看懂 

3、预测问题：已知观测序列和模型参数，求概率最大的状态序列

    这里和第一个问题 求概率问题挺像的，只不过需要记录一下每一个当前状态的前驱，便于最后回溯。