因子隱馬爾可夫模型

馬爾可夫模型實際上是標準馬爾可夫模型的擴展,可以用λ=(A,B,π)三元組來簡潔的表示一個隱馬爾可夫模型。而因子隱馬爾科夫模型(FHMM) 是 隱 Markov 模 型 (Hidden Markov model, HMM)模型的一種擴展形式,它假定系統存在著多條 Markov 鏈,形成了由若干層組成的信任網路。它常常被用於時間序列的分析中。

基本介紹

  • 中文名:因子隱馬爾科夫模型
  • 外文名:Factorial Hidden Markov Model
  • 英文縮寫:FHMM
  • :HMM模型的一種擴展形式
  • 常用於:時序分析
  • 套用領域:自動控制
隱馬爾科夫模型,因子隱馬爾科夫模型,套用,

隱馬爾科夫模型

馬爾可夫模型馬爾可夫鏈的一種,它的狀態不能直接觀察到,但能通過觀測向量序列觀察到,每個觀測向量都是通過某些機率密度分布表現為各種狀態,每一個觀測向量是由一個具有相應機率密度分布的狀態序列產生。所以,隱馬爾可夫模型是一個雙重隨機過程----具有一定狀態數的隱馬爾可夫鏈和顯示隨機函式集。
一般的,可以用λ=(A,B,π)三元組來簡潔的表示一個隱馬爾可夫模型。隱馬爾可夫模型實際上是標準馬爾可夫模型的擴展,添加了可觀測狀態集合和這些狀態與隱含狀態之間的機率關係。
HMM可以用五個元素來描述,包括2個狀態集合和3個機率矩陣:
1)隱含狀態 S
這些狀態之間滿足馬爾可夫性質,是馬爾可夫模型中實際所隱含的狀態。這些狀態通常無法通過直接觀測而得到。
2)可觀測狀態 O
在模型中與隱含狀態相關聯,可通過直接觀測而得到。
3)初始狀態機率矩陣 π
表示隱含狀態在初始時刻t=1的機率矩陣
4) 隱含狀態轉移機率矩陣 A。
描述了HMM模型中各個狀態之間的轉移機率。
表示在 t 時刻、狀態為
的條件下,在 t+1 時刻狀態是
機率
5)觀測狀態轉移機率矩陣 B
令N代表隱含狀態數目,M代表可觀測狀態數目,則:
表示在 t 時刻、隱含狀態是
條件下,觀察狀態為
的機率。

因子隱馬爾科夫模型

因子隱馬爾科夫模型(FHMM) 是 隱 Markov 模 型 (Hidden Markov model, HMM)模型的一種擴展形式,它假定系統存在著多條 Markov 鏈,形成了由若干層組成的信任網路。如圖1所示,每一層都是一個狀態變數的 Markov過程,層與層之間統計獨立,但是觀測到的變數依賴於每一層的當前狀態。
因子隱馬爾可夫模型
圖1
在 FHMM 中,層的特性僅允許同一層狀態的轉移,這樣把狀態分解成若干層,因此系統可以模擬幾個鬆弛耦合的動態過程。每一層都類似於基本的 HMM 模型,所不同的是,在某個時刻的觀測機率依賴於所有層的當前狀態。
為簡化起見,假設一個 FHMM 是由 M 層組成的信任網路,每層有 K 個狀態,則系統具有 M 個K×K 維的狀態轉移矩陣,這樣的一個 FHMM 系統仍可用一個基本的 HMM 來描述,只不過該 HMM具有一個
維的狀態轉移矩陣。因此,用一個具有 M 個
維的轉移矩陣的 FHMM 來代替一個
維的狀態轉移矩陣的 HMM,從而大大簡化了計算。
給定狀態
,觀測矢量
的機率密度依賴於所有層的當前狀態,該機率可以用下面一個高斯機率函式來模擬
其中,
是給定狀態
層的均值,C 為協方差。
FHMM 模型的參數可以使用期望值最大(EM)算法來估計。

套用

FHMM是一種動態模式識別工具,能夠對一個時間跨度上的信息進行統計建模和分類,特別適合非平穩、重複再現性差的序列分析。

相關詞條

熱門詞條

聯絡我們