设有这样动态系统，如图1-1所示，有隐含变量X，和观察变量Y，X表示动态过程的状态变化，Y表示随着时间变化系统的观察结果。隐马尔可夫模型(HMM)就是这样一种动态贝叶斯网络，其包含两种变量，系统的状态变量和观察变量，其中状态变量是隐含的，不可观测的。 
上图表示了变量之间的依赖关系，即在某一个时刻Y的取值仅由当前的隐含状态X的取值决定，与其他时刻的状态变量和观察变量取值无关，这也就是所谓的马尔科夫过程，即系统下一时刻的状态仅由当前状态决定。整个过程中，变量的联合概率分布为： 
在一般的机器学习任务中，我们主要利用贝叶斯模型来处理一些序列化的推理任务，例如语音识别、自然语言处理，视频序列中的视觉相关的任务等。例如在视频序列中目标的运动过程的状态建模，可以把目标的外形表示、运动速度等看作为系统的隐含变量，而包含目标的帧序列为观察值。 
所示，我们想要实现的任务就是，给定样本空间Y，和系统的初始状态，不断推测系统下一时刻的状态，即求解最优可能的状态序列x1,x2,….,xn。
| 
发表于 2018-8-24 12:59:49
