- 1、本文档共47页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
模式识别2013 参数估计(6-3 隐马尔可夫)
Ch5
模式识别原理
模式识别原理
Hidden Markov Models
华中科技大学自动化学院
智能科学与技术系
图像分析与智能系统研究室
曹治国
邹腊梅
2013
1
前面章节所处理的问题都是类条件密度函数中
的参数,目的是为了做出一个判决。
当需要进行一个序列的判决,该怎么办?与时
间有关的事件,HMM获得了最好的应用,如
语音识别、手势识别领域。
主要内容
1 马尔科夫链
2 隐马尔科夫模型
HMM的三种问题及相应算法
3
4 应用举例
HMM 的由来
HMM 的由来
1870年,俄国有机化学家Vladimir V.
1870年,俄国有机化学家Vladimir V.
Markovnikov第一次提出马尔科夫模型
Markovnikov第一次提出马尔科夫模型
马尔可夫链
马尔可夫链
马尔可夫模型
马尔可夫模型
隐马尔可夫模型
隐马尔可夫模型
马尔科夫链
时间和状态都离散的马尔科夫过程称为马尔科夫
链
记作{Xn = X(n), n = 0,1,2,…}
为在时间集T1 = {0,1,2,…}上对离散状态的过程相继观察
的结果
链的状态空间记做I = {a , a ,…}, a ∈R.
1 2 i
条件概率P ( m ,m+n) P{X = a |X = a } 为马氏
ij m+n j m i
链在时刻m处于状态a 条件下,在时刻m+n转移到
i
状态a 的转移概率。
j
马尔科夫模型-定义
观测状态:
观测序列:
一阶马尔科夫假设:
如果一个过程的“将来”仅依赖“现在”而不依赖“过
去”,则此过程具有Markov马尔可夫,具有Markov性
的随机过程被称为markov过程。
• X(t+1) = f( X(t) )
• X(n+1) = f( X(n) )
马尔科夫模型-定义
状态转换矩阵:
其中:
初始状态概率矩阵:
状态转移概率矩阵
由于链在时刻m从任何一个状态a 出发,到
i
另一时刻m+n,必然转移到a ,a …,诸状
1 2
态中的某一个,所以有
P (mm, n) 1,i 1, 2,
ij
文档评论(0)