这是 隐马尔科夫模型(HMM) 的 2 个基本假设

上一篇 1个例子解释 隐马尔科夫模型(HMM) 的 5 个基本要素 说了隐马尔可夫模型 (HMM) 的参数，细分的话，包括 5 个基本要素：

1). 隐含状态 S

这些状态之间满足马尔可夫性质，是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到。

2). 可观测状态 O

在模型中与隐含状态相关联，可通过直接观测而得到，例如O1、O2、O3等。

3). 初始状态概率矩阵 π

表示隐含状态在初始时刻 t=1 的概率矩阵，例如 t=1 时，P(S1)=p1、P(S2)=P2、P(S3)=p3，则初始状态概率矩阵 π=[ p1 p2 p3 ].

4). 隐含状态转移概率矩阵 A

描述了HMM模型中 各个隐含状态 之间的转移概率，Aij = P( Sj | Si ), 1≤i, j≤N

表示在 t 时刻、状态为 Si 的条件下，在 t+1 时刻状态是 Sj 的概率。

5). 观测状态转移概率矩阵 B，英文为 Confusion Matrix，令N代表隐含状态数目，M代表可观测状态数目，则：Bij = P( Oi | Sj ), 1≤i≤M, 1≤j≤N ，表示在 t 时刻、隐含状态是 Sj 条件下，观察状态为 Oi 的概率。

HMM 的定义建立在两个基本假设的前提上，你知道这两个基本假设吗？这两个假设是 HMM 的重点，一定要了解模型的 2 个假设。

齐次马尔科夫假设

齐次马尔科夫假设，通俗地说就是 HMM 的任一时刻 t 的某一状态只依赖于其前一时刻的状态，与其它时刻的状态及观测无关，也与时刻 t 无关。

上面表达兑现为公式的话，如下所示：

t+1 时刻的状态只依赖于 t 时刻的状态，与观测状态无关。

观测独立假设

观测独立性假设，是任一时刻的观测只依赖于该时刻的马尔科夫链的状态，与其他观测及状态无关。

观测独立假设兑现为公式如下：

t+1 时刻的观测只依赖于 t+1 时刻的马尔科夫链的状态，与其他观测状态无关。

总结

以上这两个假设是 HMM 的核心，之后的公式推导都是依赖这两个假设成立的基础上进行的。

相关链接

[1] 隐马尔科夫模型HMM的前向算法和后向算法

https://blog.csdn.net/xmu_jupiter/article/details/50956389

点击以下标题查看相关内容：

• 深度学习|大师之作，必是精品
• 免费送6本精选的算法，机器学习，深度学习的书
• 机器学习、深度学习干货分享
• 自然语言处理|语言模型介绍
• 自然语言处理之词To词向量
• 一文了解自然语言处理的每个范畴用到的核心技术，难点和热点(1)
• NLP入门：CNN,RNN应用文本分类，个性化搜索，苹果和乔布斯关系抽取(2)
• 下一代信息服务新风口：以自然语言为基本输入方式的问答系统综述(附两篇论文)
• 一文梳理NLP之机器翻译和自动摘要的发展现状
• 斯坦福大学NLP课程笔记系列1：深度学习应用于NLP介绍
• TensorFlow 实战 3层网络求解嵌入词向量，附代码详解
• 1个例子解释 隐马尔科夫模型(HMM) 的 5 个基本要素