机器学习进阶HMM

HMM 隐马尔可夫模型,可用于标注问题,在语音识别、NLP 生物信息、模式识别等领域使用

HMM是关于时序的概率模型,描述有一个隐藏的马尔科夫链生成不可观测的状态随机序列,再由各个状态生成观测随机序列的过程

隐马尔可夫模型随机生成的状态随机序列,称为状态序列,每个状态生成一个观测,由此产生的观测随机序列称为观测序列。序列的每一个位置可看做一个时刻

隐马尔可夫模型的贝叶斯网络 变量之间不独立

HMM由初始概率分布π,状态转移概率分布A以及观测概率分布B确定

隐状态初始可能的概率向量(初始状态)状态转移矩阵(隐状态z1和z2之间的概率分布矩阵),混淆矩阵(隐状态的值到可观测的值之间的概率分布矩阵)

λ=(A,B,π)

观测值如果满足高斯分布则为高斯HMM模型

隐状态必须是离散的,观测值可以是连续的

 

你可能感兴趣的:(机器学习,机器学习,语音识别,人工智能)