在讲隐马尔可夫模型前,先介绍一下什么是马尔可夫链。
马尔可夫链(Markov chain),又称离散时间马尔可夫链,因俄国数学家安德烈·马尔可夫得名,为状态空间中经过从一个状态到另一个状态转换的随机过程。该过程要求具备“无记忆”的性质:下一状态
的概率分布只能由当前状态
决定,与之前的状态无关。
即:
。这种特定类型的“无记忆性”称作马尔可夫性质。符合该性质的随机过程则称为马尔可夫过程,也称为马尔可夫链。
马尔可夫过程——“程序猿心情状态”案例:
假设有一只程序猿,它每天心情状态有三种:心情舒畅good、心情一般normal、心情糟糕bad。状态间的转移是存在某个概率的。如下图所示:
程序猿心情状态图
代表心情舒畅状态、
代表心情一般状态、
代表心情糟糕状态。
上图表示从当前状态
转移到下一时刻状态
的概率为0.9,当前状态
转移到下一时刻状态
的概率为0.1,当前状态
转移到下一时刻还是自身的概率为0.7,当前状态
转移到下一时刻状态
的概率为0.3,当前状态
转移到下一时刻状态
的概率为1。
即为:
一个含有N个状态的马尔可夫链有
个状态转移。这所有的
个概率可以用一个状态转移矩阵A来表示:
这个状态转移矩阵A表示,如果在t时刻该程序猿的心情状态是舒畅,则在t+1时刻的心情状态是舒畅、一般、糟糕的概率分别为(0,0.9,0.1)。
好,马尔可夫模型介绍完毕,下期我将娓娓道来隐马尔可夫模型,其中包括一个假设,三个问题。敬请期待。
文章参考自:
1、吴军《数学之美》第二版;
2、博客园,我是8位的,隐马尔可夫模型(一);
3、博客园,bonelee,隐形马尔可夫模型——前向算法就是条件概率。