隐马尔科夫模型教学PPT解析.ppt

去除PPT模板上的--无忧PPT整理发布的文字 首先打开PPT模板，选择视图，然后选择幻灯片母版 然后再在幻灯片母版视图中点击“无忧PPT整理发布”的文字文本框，删除，保存即可 更多PPT模板资源，请访问无忧PPT网站-- 使用时删除本备注即可 展示您的作品,PPT模板作品投稿绿色通道 :chinappt2011@ 将此幻灯片插入到演示文稿中 将此模板作为演示文稿（.ppt 文件）保存到计算机上。 打开将包含该图像幻灯片的演示文稿。 在“幻灯片”选项卡上，将插入点置于将位于该图像幻灯片之前的幻灯片之后。（确保不要选择幻灯片。插入点应位于幻灯片之间。） 在“插入”菜单上，单击“幻灯片（从文件）”。 在“幻灯片有哪些信誉好的足球投注网站器”对话框中，单击“有哪些信誉好的足球投注网站演示文稿”选项卡。 单击“浏览”，找到并选择包含该图像幻灯片的演示文稿，然后单击“打开”。 在“幻灯片（从文件）”对话框中，选择该图像幻灯片。 选中“保留源格式”复选框。如果不选中此复选框，复制的幻灯片将继承在演示文稿中位于它之前的幻灯片的设计。 单击“插入”。 单击“关闭”。 PPT模板来源于互联网,版权归原作者所有,如有问题请与站长联系 * 隐马尔可夫模型HMM 1 随机过程 2 马尔科夫链 3 4 主要讲述的内容 5 三种问题及相应算法 应用举例 隐马尔科夫模型 2.马尔科夫链 设S是一个由有限个状态组成的集合。 S={1, 2, 3, …,n-1, n} 可以把马尔科夫链看做小球随时间在n种 状态跳动的过程。 T S 1 2 3 n ...... 0 1 2 3 t ...... ...... 由小球的跳动产生的状态序列X 如果序列X在t时刻处在状态 ，若有 则随机序列X构成一个一阶马尔科夫链。 (Markov Chain) 状态转移概率矩阵 隐马尔科夫概括和简介 隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有响应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程 ----具有一定状态数的隐马尔可夫链和显示随机函数集。自20世纪80年代以来，HMM被应用于语音识别，取得重大成功。到了90年代，HMM还被引入计算机文字识别和移动通信核心技术“多用户的检测”。近年来，HMM在生物信息科学、故障诊断等领域也开始得 到应用。 隐马尔科夫模型可以用五个元素来描述 λ=(N , M, A, B, π ) 其中： N= {q1,...qN}：状态的有限集合，隐状态的数目 M = {v1,...,vM}：观察值的有限集合，可能的观测值 A = {aij}，aij = p(Xt+1 = qj |Xt = qi)：状态转移概率 B = {bik}，bik = p(Ot = vk | Xt = qi)：观察值状态分布 π = {πi}， πi = p(X1 = qi)：初始状态空间概率分布 隐马尔可夫模型（HMM）的三个基本问题 令 λ = {A,B,π} 为给定HMM的参数， 令 σ = O1,...,OT 为观察值序列， 1、评估问题：对于给定模型，求某个观察值序列 的概率p(σ|λ) ； 2、解码问题：对于给定模型和观察值序列，求可 能性最大的状态序列； 3、学习问题：对于给定的一个观察值序列，调整 参数λ，使得观察值出现的概率p(σ|λ)最大。 针对以上三个问题，人们提出了相应的算法 评估问题：向前算法 定义向前变量 采用动态规划算法，复杂度O(N2T) 解码问题：韦特比（Viterbi）算法 采用动态规划算法，复杂度O(N2T) 学习问题：向前向后算法 EM算法的一个特例，带隐变量的最大似然估计 HMM的应用领域 语音识别 机器视觉 人脸检测 机器人足球 图像处理 图像去噪 图像识别 生物医学分析 DNA/蛋白质序列分析 . HMM实例 Observed Ball Sequence Urn 3 Urn 1 Urn 2 Veil HMM实例——描述 假设在一个房间中，有N个缸子，每个缸子里都装有不同颜色的小球，记小球的总颜色为M种，一个人在房间中首先随机地选择一个缸子，再从这个缸子中随机的选择一个小球，并把小球的颜色报告给房间外面的人记录下来作为观察值，记为O1，然后这个人再把球放回缸子中，以当前的缸子为条件再随机选择一个缸子，从中随机选择一个小球，并报告小球颜色，记为O2，长此以往，房间外的人会得到由这个过程产生的小球颜色的序列。 知道了小球颜色的序列，我们并不能直接确定缸子之间转换的序列。即如