前言
由于前一段时间在看CTC论文,里面用到了HMM中的前向后向算法,推公式的时候·一脸懵逼,所以又来学习HMM的思想,所以写篇博客做个笔记。本部分博客分为两篇,第一篇主要介绍一些基本的概念和思想,第二篇介绍理论的推导。博客的内容主要是基于<<统计学习方法>>以及其他的一些博客
模型概念
隐马尔可夫模型:隐马尔科夫模型是关于时序的概念模型,描述了由一个隐藏的马尔科夫链随机产生不可观测的状态随机序列,再由各个状态生成一个观测而产生的观测随机序列的过程。隐藏的马尔科夫链随机生成的状态序列成为状态序列:每个状态生成一个观测,而由此产生的观测的随机序列,称为观测序列。序列的每一个位置又可以看作一个时刻。
当第一次看到上述描述时估计大都数人都会和我一样一脸蒙逼,什么是状态序列,什么又是观测序列?还有隐马尔可夫链又是神马?
举个例子,假设你有一个住得很远的朋友,他每天跟你打电话告诉你他那天做了什么.你的朋友仅仅对三种活动感兴趣:公园散步,购物以及清理房间.他选择做什么事情只凭天气.你对于他所住的地方的天气情况并不了解,但是你知道总的趋势.在他告诉你每天所做的事情基础上,你想要猜测他所在地的天气情况。其实这个就是一个隐马尔科夫模型。每一天天气的变化就是一个隐马尔科夫链(即不同状态之间的转换),其有两个状态 “雨"和"晴”,但是你无法直接观察它们,也就是说,它们对于你是隐藏的.每天,你的朋友有一定的概率进行下列活动:“散步”, “购物”, 或 “清理”. 因为你朋友告诉你他的活动,所以这些活动就是你的观察数据。这整个系统就是一个隐马尔可夫模型HMM。
对于上述的例子而言,如果连续持续多天,你的朋友可能根据不同的天气进行不同的活动(当然,这里有一个前提,你的朋友在同一天只能进行一种活动),这几天天气的变化的就是一个隐藏的状态序列,比如说连续五天的天气为[‘晴’,‘雨’,‘雨’,‘晴’,‘雨’](这是在你不看天气预报的前提下o(╯□╰)o),而你的朋友每一天做的活动就组成了观测序列。这样看起来是不是简单多了。如果对这个例子还是不太理解,推荐看看参考资料[2]。
有了上面的例子,下面可以对隐马尔可夫模型进行符号化的定义。
定义
隐马尔科夫模型有初始概率分布、状态转移概率分布以及观测概率分布确定,其形式化定义如下:
设是所有可能状态集合,是所有可能的观测的集合
其中是可能的状态数,是可能的观测数。
是长度为的状态序列,是对应的观测序列。
A是状态转移矩阵:
其中
表示的是时刻处于的条件下在时刻状态转移到的概率。
B是观测概率矩阵:
其中
是在时刻t处于状态的条件下生成观测的概率
是初始状态概率向量:
其中:
所以隐马尔科夫模型可以用三元符号表示,即:
状态转移矩阵和初始状态概率确定隐藏的马尔科夫链,生成不可观测的状态序列,观测概率矩阵确定了如何从观测状态生成观测序列。这里从wiki上面盗一张图,上面的即对应的状态序列,表示的是观测序列:
隐马尔科夫模型的两个性质:
(1)齐次马尔科夫性假设,即使设隐藏的马尔科夫链在任意时刻的状态只依赖于前一时刻的状态,与其他时刻的状态以及观测无关。
这句话是什么意思呢?以上面的图为例,假设表示的状态是前面例子里面的天气,那么的天气与的天气无关,只与的天气有关。并且也与无关。
(2) 观测独立性假设,即假设任意时刻的观测只依赖该时刻的马尔科夫链的状态,与其他观测和状态无关。
意思即为观测状态只与对应的有关。而与其他的状态无关。下面以一个具体例子帮助理解。
盒子与球模型
假设有4个盒子,每一个盒子里面都装有红白两种颜色的球,盒子里面的红白求数有下面表格给出。
盒子 | 1 | 2 | 3 | 4 |
---|---|---|---|---|
红球数 | 5 | 3 | 6 | 8 |
白球数 | 5 | 7 | 4 | 2 |
按照下面的方法抽球,并且产生一个关于球的颜色观测序列:首先从四个盒子中等概率随机抽取一个求。记录颜色然后放回盒子,然后根据当前的概率随机转移到下一个盒子。规则是:当前盒子为1,下个盒子一定是2,当前盒子为2或者3。分别以0.4和0.6的概率转移到左边或者右边的盒子,如果当前盒子为4,那么各以0.5的概率转移到盒子3或者停留在盒子4。随机抽取一个球,如此重复5次,得到一个球的颜色的观察序列:
上述过程中,球的颜色序列为观测序列,而抽取的盒子的序列为状态序列。为了清楚表示状态之间的转换,我们将抽盒子规则用马尔可夫链表示出来。
所以盒子对应的状态集合是
球的颜色的观测集合为:
状态序列和观测序列的长度
初始分布概率为
状态转移概率分布为
观测序列为
三个基本问题
马尔科夫模型的3个基本问题。
(1)概率计算问题。给定模型和观测序列计算在模型下观测序列为的概率
(2)学习问题。已知观测序列,估计模型的参数,使得在该模型下观测序列概率最大。
(3)预测问题,也成为解码问题。已知模型和观测序列,求对给定的观测序列概率的最大值。即给定观测序列,求最有可能的对应状态序列。
三个问题的联系
下面这段是个人理解,可能存在偏差。比如我们以语音识别为例,状态序列对应着我们的输入语音,观测序列对应着输出的标签。学习问题应该是用在训练阶段,给定输入标签以及参数,,训练模型。预测问题则是用模型进行测试,给定了模型和输入,利用模型预测结果。至于第一个问题,应该是被用在训练阶段计算观测序列的概率。关于三个问题的详细推导将在下一张介绍。
参考资料
[1].隐马尔科夫模型,维基百科
[2].漫谈 HMM:Definition, pluskid的博客
[3].统计学习方法,李航
[4].数学之美,吴军
来源:CSDN
作者:gzj_1101
链接:https://blog.csdn.net/gzj_1101/article/details/79955340