1. Introdução ao modelo oculto de Markov (modelo oculto de Markov)
A cadeia de Markov foi introduzida no artigo anterior.A diferença entre o modelo de Markov e a cadeia de Markov é que o modelo de Markov oculto possui um estado de temporização invisível adicional. Ao derivar os parâmetros do modelo, os três problemas fundamentais que são comuns no campo atual da IA podem ser resolvidos: probabilidade, aprendizagem e regressão
2. Elementos básicos do modelo oculto de Markov
Tomemos como exemplo o comportamento diário de um filhote. Os estados do filhote incluem felicidade, medo e ansiedade, e seus comportamentos incluem abanar o rabo, girar em círculos e latir.
Conjunto de estados Q:
Coleção do estado do cachorrinho = (feliz, medroso, ansioso) Coleção do estado do cachorrinho = (feliz, medroso, ansioso)coleção de status de cachorro=( Felicidade, Medo, Ansiedade )
Q = (q 1, q 2, q 3) Q = (q_1, q_2, q_3)P=( q1, q2,q3)
Conjunto de comportamento L:
Conjunto de comportamento dos filhotes = (abanar o rabo, girar em círculos, latir) {conjunto de comportamentos dos filhotes = } (abanar o rabo, girar em círculos, latir)coleção de comportamento de cachorro= ( abanando o rabo, girando em círculos, latindo )
L = (L 1, L 2, L 3) L = (L_1, L_2, L_3)eu=( eu1,eu2, eu3)
Tomando o tempo T como ordem de ocorrência, a sequência I de estado muda:
Sequência de estados do cachorrinho = (feliz, encantado, encantado, ansioso, medroso, assustado) Sequência de estados do cachorrinho = (feliz, encantado, encantado, ansioso, medroso, assustado)Sequência de estado do filhote=( alto, alto, alto, urgente, medo, medo )
I = (i 1, i 2, i 3, i 4, i 5) I = (i_1,i_2,i_3,i_4,i_5)EU=( eu1,eu2,eu3,eu4,eu5)
Coluna comportamental O para mudanças de estado:
Sequência de comportamento do filhote = (abanar o rabo, abanar o rabo, abanar o rabo, círculo no lugar, latir, latir) chamada)sequência de comportamento do filhote=( Abanar o rabo, abanar o rabo, abanar o rabo, girar em círculos, latir, latir )
O = (o 1, o 2, o 3, o 4, . . . ) O= (o_1, o_2,o_3,o_4, .. .)Ó=( ó1,ó2,ó3,ó4,... )
Matriz de transição de estado A:
A matriz de transição de estado do filhote = [ feliz medo ansioso feliz 0,4 0,3 0,3 medo 0,7 0,5 0,3 ansioso 0,7 0,5 0,3 ] matriz de transição de estado do filhote = \left[ \begin{matrix} & feliz & medo & ansioso\\ feliz & 0,4 & 0,3& 0,3 \\ Medo & 0,7 & 0,5 & 0,3\\ Ansiedade & 0,7 & 0,5& 0,3 \\ \end{matrix} \right]Matriz de transição de estado do filhote de cachorro=
FeliztemeransiosoFeliz0,40,70,7temer0,30,50,5ansioso0,30,30,3
A = [ aij ] N ∗ NA = [a_{ij}]N*NA=[ umaeu] N∗N
aij é a probabilidade de que o estado de qi mude para qj quando o tempo t muda para t + 1: a_{ij} é a probabilidade de que o estado de q_i mude para q_j quando o tempo t muda para t+1:aeuestá mudando do tempo t para t+1 , qeutransição de estado para qjprobabilidade de:
aij = P (isso + 1 = qj ∣ isso = qi) a_{ij}=P(i_t+1=q_j|i_t=q_i)aeu=P ( eut+1=qj∣ eut=qeu)
Matriz de probabilidade de comportamento B:
Matriz de probabilidade de comportamento de filhotes = [ abanar o rabo e latir em círculos 0,4 0,3 0,3 0,7 0,5 0,3 0,7 0,5 0,3 ] Matriz de probabilidade de comportamento de filhotes =\left[ \begin{matrix} abanar o rabo e girar em círculos e latir\ \ 0,4 e 0,3 & 0,3 \\ 0,7 e 0,5 e 0,3\\ 0,7 e 0,5& 0,3 \\ \end{matriz} \direita]Matriz de probabilidade de comportamento do filhote=
abanando o rabo0,40,70,7círculo no lugar0,30,50,5latir0,30,30,3
B = [ bi ( k ) ] N ∗ MB=[b_i(k)]N*MB=[ beu( k )] N∗M
bi (k) é a probabilidade de produzir o comportamento vk quando está no estado de tempo qj, a saber: b_i(k) é a probabilidade de produzir o comportamento v_k quando está no estado de tempo q_j, a saber:beu( k ) é o tempo qjestado, gerar comportamento vkA probabilidade de, a saber:
bi (k) = P (ot = vk ∣ it = qj) b_i(k)=P(o_t= v_k|i_t=q_j)beu( k )=P ( ot=vk∣ eut=qj)
Modelo oculto de Markov M
Entrada: M = (A, B, H), Entrada: M = (A, B, H),Entrada: M=( A , B , H ) ,
exportar: O = ( o 1 , o 2 , . . . ) exportar: O=(o_1, o_2, ...)Saída: O=( ó1,ó2,... )
Indique a probabilidade inicial H:
Estado inicial do filhote = (abanar o rabo) Estado inicial do filhote = (abanar o rabo)estado inicial do filhote=( Abanar o rabo )
H = (hi), quando hi está no tempo t = 1, a probabilidade do estado qii é H=(h_i), quando h_i está no tempo t=1, a probabilidade do estado q_iiH=( heu) , heuna hora t=1 , estado qeuprobabilidade no momento i
3. Uso do modelo oculto de Markov
Uma vez conhecidos os elementos internos do modelo de Markov, o cálculo da matriz de deslocamento pode ser usado para resolver o problema de derivação dos parâmetros correspondentes, que atualmente é amplamente utilizado nos três problemas fundamentais de ai:
-
Problema de regressão: Forneça um modelo M = (A, B, H) e uma sequência de observação O, e encontre a probabilidade de ocorrência de elementos na sequência O.
Comportamento do cachorrinho Comportamento do cachorrinhoimplorando comportamento de cachorrinho -
Aprendizado de máquina: Dada a sequência de estados I e a sequência de observação O, encontre os parâmetros de A e B em M = (A, B, H).
Encontre a matriz do estado do filhote e a matriz do comportamento do filhote Encontre a matriz do estado do filhote e a matriz do comportamento do filhoteEncontre a matriz do estado do filhote e a matriz do comportamento do filhote -
Problema de classificação: Conhecendo o modelo M e a sequência de observação O, encontre a sequência de estados I,
encontre o estado de cachorrinho e encontre o estado de cachorrinhoStatus do filhote