AI人工智能 隐马尔可夫模型(HMM)分析顺序数据

HMM 是一种统计模型，广泛用于时间序列股市分析，健康检查和语音识别等具有延续性和可扩展性的数据。 本节详细介绍使用隐马尔可夫模型(HMM)分析顺序数据。

隐马尔可夫模型(HMM)

HMM 是一个基于马尔可夫链概念的随机模型，它基于未来统计量的概率仅取决于当前过程状态而非其之前的任何状态的假设。 例如，当扔硬币时，不能说第五次抛掷的结果是正面。 这是因为硬币没有任何记忆，下一个结果不依赖于以前的结果。

在数学上，HMM 由以下变量组成 -

状态(S) 它是 HMM 中存在的一组隐藏或潜在状态。 它由 S 表示。

输出符号(O) 它是 HMM 中存在的一组可能的输出符号。 它由 O 表示。

状态转移概率矩阵(A) 这是从一个状态过渡到其他状态的可能性。 它由 A 表示。

观测发射概率矩阵(B) 它是在特定状态下发射/观测符号的概率。 它由 B 表示。

先验概率矩阵(Π) 这是从系统的各种状态开始处于特定状态的概率。 它由Π表示。 因此，HMM 可以被定义为 λ=(S，O，A，B，π)， 其中，

• S = {s1,s2,…,sN}是一组 N 个可能的状态，
• O = {o1，o2，…，oM}是一组 M 个可能的观察符号，
• A是N×N状态转移概率矩阵(TPM)，
• B是N