HMM学习最佳范
一、介绍（Introduction）
我们通常都习惯寻找一个事物在一段时间里的变化模式（规律）。这些模式发生在很多领域，比如计算机中的指令
序列，句子中的词语顺序和口语单词中的音素序列等等，事实上任何领域中的一系列事件都有可能产生有用的模式。
考虑一个简单的例子，有人试图通过一片海藻推断天气——民间传说告诉我们‘湿透的’海藻意味着潮湿阴雨，而‘干
燥的’海藻则意味着阳光灿烂。如果它处于一个中间状态（‘有湿气’），我们就无法确定天气如何。然而，天气的状态并
没有受限于海藻的状态，所以我们可以在观察的基础上预测天气是雨天或晴天的可能性。另一个有用的线索是前一天的
天气状态（或者，至少是它的可能状态）——通过综合昨天的天气及相应观察到的海藻状态，我们有可能更好的预测今
天的天气。
这是本教程中我们将考虑的一个典型的系统类型。
首先，我们将介绍产生概率模式的系统，如晴天及雨天间的天气波动。
然后，我们将会看到这样一个系统，我们希望预测的状态并不是观察到的——其底层系统是隐藏的。在上面的例子
中，观察到的序列将是海藻而隐藏的系统将是实际的天气。
最后，我们会利用已经建立的模型解决一些实际的问题。对于上述例子，我们想知道：
给出一个星期每天的海藻观察状态，之后的天气将会是什么
给定一个海藻的观察状态序列，预测一下此时是冬季还是夏季？直观地，如果一段时间内海藻都是干燥的，那
么这段时间很可能是夏季，反之，如果一段时间内海藻都是潮湿的，那么这段时间可能是冬季。
二、生成模式（Generating Patterns）
、确定性模式（）
考虑一套交通信号灯，灯的颜色变化序列依次是红色红色黄色绿色黄色红色。这个序列可以作为一个状态机器
交通信号灯的不同状态都紧跟着上一个状态。
注意每一个状态都是唯一的依赖于前一个状态，所以，如果交通灯为绿色，那么下一个颜色状态将始终是黄色——
也就是说，该系统是确定性的。确定性系统相对比较容易理解和分析，因为状态间的转移是完全已知的。
、非确定性模式（）
为了使天气那个例子更符合实际，加入第三个状态——多云。与交通信号灯例子不同，我们并不期望这三个天气状
态之间的变化是确定性的，但是我们依然希望对这个系统建模以便生成一个天气变化模式（规律）。
一种做法是假设模型的当前状态仅仅依赖于前面的几个状态，这被称为马尔科夫假设，它极大地简化了问题。显然
这可能是一种粗糙的假设，并且因此可能将一些非常重要的信息丢失。
当考虑天气问题时，马尔科夫假设假定今天的天气只能通过过去几天已知的天气情况进行预测——而对于其他因素
譬如风力、气压等则没有考虑。在这个例子以及其他相似的例子中，这样的假设显然是不现实的。然而，由于这样经过
简化的系统可以用来分析，我们常常接受这样的知识假设，虽然它产生的某些信息不完全准确。
一个马尔科夫过程是状态间的转移仅依赖于前个状态的过程。这个过程被称之为阶马尔科夫模型，其中是影响
下一个状态选择的（前）个状态。最简单的马尔科夫过程是一阶模型，它的状态选择仅与前一个状态有关。这里要注
意它与确定性系统并不相同，因为下一个状态的选择由相应的概率决定，并不是确定性的。
下图是天气例子中状态间所有可能的一阶状态转移情况：
剩余28页未读，继续阅读
资源评论
lwzsu2013-06-13这个东西还不算太全吧，HMM基本都研究透了。
liting8812272012-12-17说得很详细
安菲拉尔2012-10-22挺不错，文图并茂
cuizhihua02013-08-28很好hmm入门资料，值得初学者使用，会对hmm有初步的认识、。
maomaokk336
- 粉丝: 0
- 资源: 1
