目录
前言
预备知识
一、估计问题
1、问题推导
2、前向算法/后向算法
二、序列问题
1、问题推导
2、维特比算法
三、参数估计问题
1、问题推导
2、期望最大化算法(前向后向算法)
总结
HMM隐马尔可夫模型,这个名字看起来熟悉,其实很是陌生。它给人一种很神秘高深的感觉,确实,很强大的一个模型,在概率论统计学应该是应用广泛而且很重要的;虽说很高深强大的一个模型,其原理确实我们最基础的理论知识不断推导计算来的。
上一篇《原创 隐马尔可夫模型(HMM)来龙去脉(一)》,从HMM基础理论开始,我们可以学习得知,其原理来源于概率论基本重要知识,包括了条件概率、贝叶斯公式、概率分布函数...
而这一篇将继续探索隐马尔可夫模型,深入理解模型背后解决的各种问题,力求基本弄懂这个似乎熟悉而又陌生深奥的模型。接下来探索HMM三个经典的基本问题的解决方案,逐步通过问题推导,公式解析,算法实现,有章可循地真正来理解来龙去脉!
建议先翻看前一篇《原创 隐马尔可夫模型(HMM)来龙去脉(一)》逐步详细介绍的内容。
一般的,将HMM简单表示为一个三元组 , π是初始状态的概率分布,A是状态转移概率,B是符号发射概率。
由此观察序列可以通过以下步骤产生:
估计问题:给定一个观察序列 和模型,如何快速计算序列O的概率。即 ?
我们很直观知道,这其实就是一个条件概率的计算问题。在给定的模型条件下,可以推导以下:
首先根据预备知识可以计算任意状态序列Q下,观察序列O的概率:
而且 ,
另外根据条件概率.
综上公式,求得在模型下,
然而,这个直观简单的推导公式,计算时间复杂度达到指数级爆炸! ! ! ! ,所以呢,需要寻找更高效的计算方法来解决指数级时间问题。
由此,引出HMM中的动态规划方法,一般用格架的组织形式描述。格架算法示意图如下:
思想是:对于一个个状态下的HMM,某一时刻结束时,每个格子能够记录HMM所有输出符号的概率,较长子路径概率可以由较短子路径概率计算出来。
第一步,定义一个前向变量,表示在时间 t ,HMM在状态 输出一个序列的概率。
第二步,根据动态规划思想,在时间 t+1 的概率计算为: , 其中表示从状态 i 转移到状态 j 并输出观察符号O的概率。
第三步,根据前向变量,可以计算,就是在所有状态下观察到序列O的概率:
前向变量归纳关系图:
前向算法总结:
1、初始化:
复杂度分析:步骤1计算每个前向变量需要考虑N个状态转移,步骤2计算N个前向变量,所以时间复杂度O(N*N),步骤3在时间1~T过程中,计算量为O(T),所以总时间复杂度为. 因此,使用该算法解决在多项式时间内计算问题。
后向算法方法类似,使用动态规划方法计算,后向变量定义为 ,归纳关系图如下:
后向算法总结:
1、初始化:
序列问题:给定一个观察序列 和模型,如何快速选择最优状态序列Q,使之最好地解释观察序列O?
对该问题的正确理解就是,给定观察序列和模型后,使条件概率最大的状态序列,即.
因此,维比特算法定义了一个维比特变量. 在时间 t 时,HMM沿着某一路径到达状态 ,使观察序列O概率最大化。
.
有如下递归关系,,根据这个递归关系,所以可以运用动态规划搜索技术。
另外,为了记录时间 t 时,HMM通过的一条概率最大的路径达到状态 ,算法设置了另外一个变量来记录前一个时间的状态。
维比特算法如下:
参数估计问题:给定一个观察序列和模型,使得最大化。
我们知道,HMM中的状态序列是不可见的,所以这里采用期望最大化法(EM),它可以用于含有隐变量的统计模型的参数最大似然估计。
基本思想:从得到从某一个状态转移到另一个状态的期望次数,由此得到模型,然后,重新估计模型的参数,执行这个迭代过程,直到参数收敛于最大似然估计值。
这种EM方法的具体实现使用到了前向后向算法(forward-backward algorithm)。
这里需要用到几个变量表示概率:
公式(6-24):在时间 t 位于状态 ,时间 t+1位于状态的概率.
的参数估计公式:
公式(6-26):
由上述公式,得出前向后向算法:
至此,我们对隐马尔可夫模型(HMM)有了比较深入的理解,从原理上全面认识HMM实现思想,这一篇非常抽象的展示许多公式,虽然对这些公式不能够完全掌握,但是最重要的是,能够理解HMM三个基本问题解决方案的思想方法,这些经典奇妙的算法也是人们在不断探索中发现的并完善。所以,对于初学者来说,思想方法最重要,原理需要理明白,具体应用实现是利用已经封装好的工具。
这一篇将探索HMM三个经典的基本问题的解决方案,逐步通过问题推导,公式解析,算法实现,对于HMM理解不再天马行空般,来龙去脉基本理清!希望能帮助到像我一样初学者的伙伴,欢迎大佬交流指正!
两篇内容深入理解HMM:
我的CSDN博客:https://blog.csdn.net/Charzous/article/details/108311177
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/Charzous/article/details/108311177