AI人工智能 隱馬爾可夫模型(HMM)分析順序數(shù)據(jù)

HMM 是一種統(tǒng)計(jì)模型，廣泛用于時(shí)間序列股市分析，健康檢查和語音識(shí)別等具有延續(xù)性和可擴(kuò)展性的數(shù)據(jù)。 本節(jié)詳細(xì)介紹使用隱馬爾可夫模型(HMM)分析順序數(shù)據(jù)。

隱馬爾可夫模型(HMM)

HMM 是一個(gè)基于馬爾可夫鏈概念的隨機(jī)模型，它基于未來統(tǒng)計(jì)量的概率僅取決于當(dāng)前過程狀態(tài)而非其之前的任何狀態(tài)的假設(shè)。 例如，當(dāng)扔硬幣時(shí)，不能說第五次拋擲的結(jié)果是正面。 這是因?yàn)橛矌艣]有任何記憶，下一個(gè)結(jié)果不依賴于以前的結(jié)果。

在數(shù)學(xué)上，HMM 由以下變量組成 -

狀態(tài)(S) 它是 HMM 中存在的一組隱藏或潛在狀態(tài)。 它由 S 表示。

輸出符號(hào)(O) 它是 HMM 中存在的一組可能的輸出符號(hào)。 它由 O 表示。

狀態(tài)轉(zhuǎn)移概率矩陣(A) 這是從一個(gè)狀態(tài)過渡到其他狀態(tài)的可能性。 它由 A 表示。

觀測(cè)發(fā)射概率矩陣(B) 它是在特定狀態(tài)下發(fā)射/觀測(cè)符號(hào)的概率。 它由 B 表示。

先驗(yàn)概率矩陣(Π) 這是從系統(tǒng)的各種狀態(tài)開始處于特定狀態(tài)的概率。 它由Π表示。 因此，HMM 可以被定義為 λ=(S，O，A，B，π)， 其中，

• S = {s1,s2,…,sN}是一組 N 個(gè)可能的狀態(tài)，
• O = {o1，o2，…，oM}是一組 M 個(gè)可能的觀察符號(hào)，
• A是N×N狀態(tài)轉(zhuǎn)移概率矩陣(TPM)，
• B是N