【导读】隐马尔可夫模型(Hidden Markov Model,HMM)是关于时许的概率模型,是一个生成模型,描述由一个隐藏的马尔科夫链随机生成不可观测的状态序列,每个状态生成一个观测,而由此产生一个观测序列。
定义抄完了,下面我们从一个简单的生成过程入手,顺便引出HMM的参数。
假设有4个盒子,每个盒子里面有不同数量的红、白两种颜色的球,具体如下表:
本栗子引用自《统计学习方法》
现在从这些盒子中抽取若干(
)个球,每次抽取后记录颜色,再放回原盒子,采样的规则如下:
开始时,按照一个初始概率分布随机选择第一个盒子,这里将第一个盒子用
表示:
将
的值用变量
表示。因为有4个盒子可共选择,所以
。然后随机从该盒子中抽取一个球,使用
表示:
将
的值用变量
表示。因为只有两种球可供选择,所以
。一共有4个箱子,2种球,结合前面的箱子的详细数据,可以得到从每一个箱子取到各种颜色球的可能性,用一个表格表示:
进一步,可以用一个矩阵(称为观测概率矩阵,也有资料叫做发射矩阵)来表示该表
其中
表示在当前时刻给定 的条件下,给定
表示当前的时刻,例如现在是第1时刻;然后是前面标注的初始概率分布,这个概率分布可以用一个向量(称作初始状态概率向量)来表示:
其中的
例如该分布是均匀分布的话,对应的向量就是
记录抽取的球的颜色后将其放回,然后在按照如下规则选择下一个盒子(
):
同样,也可以根据以上规则做出一个表格,其中首列表示当前盒子,首行表示下一个盒子
同样使用一个矩阵(称为状态转移矩阵)来表示上表
以上,生成过程的主要流程就介绍完了,简单概括就是:盒子,取球,盒子,取球……直到生成指定数量(T)的数据后停止。如果对这个过程还有不太理解的话,可以看看文章开头给出的关于马尔科夫链的链接。
现在,整理一下参数:有两个矩阵,一个向量:
其中N表示隐变量z的状态数量,M表示观测变量x可能的取值数量,在后面的讨论中,用
表示所有的参数。下面,根据这个栗子,写一个数据生成代码
import numpy as np
class HMM(object):
def __init__(self, N, M, pi=None, A=None, B=None):
self.N = N
self.M = M
self.pi = pi
self.A = A
self.B = B
def get_data_with_distribute(self, dist): # 根据给定的概率分布随机返回数据(索引)
r = np.random.rand()
for i, p in enumerate(dist):
if r < p: return i
r -= p
def generate(self, T: int):
'''
根据给定的参数生成观测序列
T: 指定要生成数据的数量
'''
z = self.get_data_with_distribute(self.pi) # 根据初始概率分布生成第一个状态
x = self.get_data_with_distribute(self.B[z]) # 生成第一个观测数据
result = [x]
for _ in range(T-1): # 依次生成余下的状态和观测数据
z = self.get_data_with_distribute(self.A[z])
x = self.get_data_with_distribute(self.B[z])
result.append(x)
return result
if __name__ == "__main__":
pi = np.array([.25, .25, .25, .25])
A = np.array([
[0, 1, 0, 0],
[.4, 0, .6, 0],
[0, .4, 0, .6],
[0, 0, .5, .5]])
B = np.array([
[.5, .5],
[.3, .7],
[.6, .4],
[.8, .2]])
hmm = HMM(4, 2, pi, A, B)
print(hmm.generate(10)) # 生成10个数据
# 生成结果如下
[0, 0, 1, 1, 1, 1, 0, 1, 0, 0] # 0代表红球,1代表白球
现在,参数介绍完了,数据生成过程也了解了,接下来就是解决HMM的基本问题了,一共有三个
不过,在讨论这三个问题的相关算法之前,首先要给出两个假设,在后面的推导过程中会不断的用到:
现在,来看第一个问题,关于概率的计算,由于存在隐变量,所以X的边际概率需要将所有的联合概率
加和得到:
由于给出了T个观测数据,所以相应的状态也有T 个:
将(1)式中的
展开得到:
即使不考虑内部的计算,这起码也是
阶的计算量,所以需要更有效的算法,下面介绍两种:前向算法和后向算法。
设有T 个序列,如下图所示:
现在定义一个前向概率
,它t时刻的状态以及1,2,...t时刻的观测在给定参数下的联合概率:
也就是下图中标记的那一部分
根据定义,可以得到它的初值:
其中
表示由状态
生成给定观测数据的概率,例如设t时刻观测数据
,有
接着,根据(2)式,还可以得到:
由此公式,遍历
的取值求和,可以得到
的边际概率
首先,来看上式中红色部分,根据观测独立假设(下文再引用该假设时称作假设2):
然后是蓝色部分,根据齐次马尔可夫假设(下文再引用该假设时称作假设1)
将上述结果代入(3)式,得到
以上就是前向算法的推导,下面根据一个栗子来写代码,假设前面抽了五个球,分别是:红、红、白、白、红,求概率
class HMM(object):
def evaluate(self, X):
'''
根据给定的参数计算条件概率
X: 观测数据
'''
alpha = self.pi * self.B[:,X[0]]
for x in X[1:]:
# alpha_next = np.empty(self.N)
# for j in range(self.N):
# alpha_next[j] = np.sum(self.A[:,j] * alpha * self.B[j,x])
# alpha = alpha_next
alpha = np.sum(self.A * alpha.reshape(-1,1) * self.B[:,x].reshape(1,-1), axis=0)
return alpha.sum()
print(hmm.evaluate([0,0,1,1,0])) # 0.026862016
上面的注释中的代码是按照公式来写的,可以看出,时间复杂度降为了
,比之前至少
的起步价已经好太多了.
接着,再讨论后向算法,首先定义后向概率:
也就是下图中的部分
并且规定初始值
根据(4)式,还可以得到
另外说一点,如果对于前向算法还有印象的话,你会发现:上面
的定义。实际上,对于任意时刻t,存在以下等式
观察上式,蓝色部分自然就是
。而红色部分,根据假设2,
都是无关(即互相独立),可以省去,所以这部分最终变为:
推导完毕,上代码
def evaluate_backward(self, X):
beta = np.ones(self.N)
for x in X[:0:-1]:
beta_next = np.empty(self.N)
for i in range(self.N):
beta_next[i] = np.sum(self.A[i,:] * self.B[:,x] * beta)
beta = beta_next
return np.sum(beta * self.pi * self.B[:,X[0]])
和前向算法差不多,而且是照着公式写的,就不写注释了,还是使用前面的栗子,跑了一下发现结果是一样的。我想,同时写两个BUG得出同一个结果的概率应该很小很小吧
现在,概率计算的问题就解决了,接着来看第二个问题,参数学习,这里需要用到EM算法,不熟悉的可以参考一下:https://zhuanlan.zhihu.com/p/85236423
然后,对Q函数中的每一项进行化简,首先是第一项,用到了齐次马尔可夫假设:
接着是第二项,用到了观测独立假设
又因我们要求使Q函数最大化的参数,即:
将结果代入(5)式,得到
其中,
就是当前参数下观测数据的概率,就是第一个问题所求解的。另外,利用第一个问题中定义的前向概率和后向概率,有:
最终得到:
接着来看矩阵A的迭代公式
同样,将上式化简,另外为了在后面方便引用,将该式设为一个函数f
可以看到,一共是
个相似的项,我们提一个(红色部分)出来化简,看看能不能找到通项公式
这样,就化简出了通向公式,将它代入f中,得到
因为
是一个概率分布的矩阵,例如前面的栗子,每一行的和等于1
所以A是有约束的:
同样,使用拉格朗日乘数法,构造目标函数
将该函数对矩阵A的每一个元素求(偏)导并令导数为0:
将两边同时乘上
,得到
注意一下上面的下标t与上标中(t+1)它们是不同的,由于变量比较多,各种ijk比较多,所以这里需要注意一下。然后利用
的约束,代入(6)式,得到:
然后化简:
代入(7)式,得到
(8)式中,分母部分前面已经解决了,下面来看分子部分,进行化简
注意,上面的化简中,
。然后红色和蓝色部分的化简用到了前面前面提过的两个假设,将条件中不被依赖的变量去掉了。最后代入(8)式得到:
最后,就剩观测概率矩阵(B)的迭代公式
同样,拆开化简
分析第一项:
代入f,得到
以前面的栗子为例,矩阵B同样有约束
也是要求每一行的和等于1
M是矩阵B的列数,前面已经定义过的,构造拉格朗日函数:
将该函数对矩阵B的每一项元素求导,得到:
同样利用B的约束条件,得到
化简得到(9)式的分母
根据上面的公式,直接敲代码了
class HMM(object):
def fit(self, X):
'''
根据给定观测序列反推参数
'''
# 初始化参数 pi, A, B
self.pi = np.random.sample(self.N)
self.A = np.ones((self.N,self.N)) / self.N
self.B = np.ones((self.N,self.M)) / self.M
self.pi = self.pi / self.pi.sum()
T = len(X)
for _ in range(50):
# 按公式计算下一时刻的参数
alpha, beta = self.get_something(X)
gamma = alpha * beta
for i in range(self.N):
for j in range(self.N):
self.A[i,j] = np.sum(alpha[:-1,i]*beta[1:,j]*self.A[i,j]*self.B[j,X[1:]]) / gamma[:-1,i].sum()
for j in range(self.N):
for k in range(self.M):
self.B[j,k] = np.sum(gamma[:,j]*(X == k)) / gamma[:,j].sum()
self.pi = gamma[0] / gamma[-1].sum()
def get_something(self, X):
'''
根据给定数据与参数,计算所有时刻的前向概率和后向概率
'''
T = len(X)
alpha = np.zeros((T,self.N))
alpha[0,:] = self.pi * self.B[:,X[0]]
for i in range(T-1):
x = X[i+1]
alpha[i+1,:] = np.sum(self.A * alpha[i].reshape(-1,1) * self.B[:,x].reshape(1,-1), axis=0)
beta = np.ones((T,self.N))
for j in range(T-1,0,-1):
for i in range(self.N):
beta[j-1,i] = np.sum(self.A[i,:] * self.B[:,X[j]] * beta[j])
return alpha, beta
if __name__ == "__main__":
import matplotlib.pyplot as plt
def triangle_data(T): # 生成三角波形状的序列
data = []
for x in range(T):
x = x % 6
data.append(x if x <= 3 else 6-x)
return data
data = np.array(triangle_data(30))
hmm = HMM(10, 4)
hmm.fit(data) # 先根据给定数据反推参数
gen_obs = hmm.generate(30) # 再根据学习的参数生成数据
x = np.arange(30)
plt.scatter(x, gen_obs, marker='*', color='r')
plt.plot(x, data, color='g')
plt.show()
上面的代码,使用最开始的栗子无法收敛,或者收敛到坑里(公式和书上《统计学习方法》是一样的),但是使用别人的例子又能很好的工作。调了一晚上后我觉得还是把它贴上来算了,希望大神发现了问题所在能告知一下。
最后一个问题了,解决这个问题的算法叫做维特比(Viterbi)算法。实际上它是一个动态规划求解最优路径的算法,这里的最优路径不过就是对应成最大概率而已,比前面两个问题容易解决得多。直接上例子,如下图所示:
如果
,那么最优路径(索引)自然就是
接着,假设还有
,末端的计算自然还是一样
问题在于从
如何计算最大概率
然后,又因为我们所求的是路径,所以还要记录最大概率所对应的索引值
举个具体的例子:
最后,就是回溯最优路径,因为已知
不多说了,上代码:
class HMM(object):
def decode(self, X):
T = len(X)
x = X[0]
delta = self.pi * self.B[:,x]
varphi = np.zeros((T, self.N), dtype=int)
path = [0] * T
for i in range(1, T):
delta = delta.reshape(-1,1) # 转成一列方便广播
tmp = delta * self.A
varphi[i,:] = np.argmax(tmp, axis=0)
delta = np.max(tmp, axis=0) * self.B[:,X[i]]
path[-1] = np.argmax(delta)
# 回溯最优路径
for i in range(T-1,0,-1):
path[i-1] = varphi[i,path[i]]
return path