1. 前言
隐马尔科夫HMM模型是一类重要的机器学习方法,其主要用于序列数据的分析,广泛应用于语音识别、文本翻译、序列预测、中文分词等多个领域。虽然近年来,由于RNN等深度学习方法的发展,HMM模型逐渐变得不怎么流行了,但并不意味着完全退出应用领域,甚至在一些轻量级的任务中仍有应用。本系列博客将详细剖析隐马尔科夫链HMM模型,同以往网络上绝大多数教程不同,本系列博客将更深入地分析HMM,不仅包括估计序列隐状态的维特比算法(HMM解码问题)、前向后向算法等,而且还着重的分析HMM的EM训练过程,并将所有的过程都通过数学公式进行推导。
由于隐马尔科夫HMM模型是一类非常复杂的模型,其中包含了大量概率统计的数学知识,因此网络上多数博客一般都采用举例等比较通俗的方式来介绍HMM,这么做会让初学者很快明白HMM的原理,但要丢失了大量细节,让初学者处于一种似懂非懂的状态。而本文并没有考虑用非常通俗的文字描述HMM,还是考虑通过详细的数学公式来一步步引导初学者掌握HMM的思想。另外,本文重点分析了HMM的EM训练过程,这是网络上其他教程所没有的,而个人认为相比于维特比算法、前向后向算法,HMM的EM训练过程虽然更为复杂,但是一旦掌握这个训练过程,那么对于通用的链状图结构的推导、EM算法和网络训练的理解都会非常大的帮助。另外通过总结HMM的数学原理,也能非常方便将数学公式改写成代码。
最后,本文提供了一个简单版本的隐马尔科夫链HMM的Python代码,包含了高斯模型的HMM和离散HMM两种情况,代码中包含了HMM的训练、预测、解码等全部过程,核心代码总共只有200~300行代码,非常简单!个人代码水平比较渣=_=||,大家按照我的教程,应该都可以写出更鲁棒性更有高效的代码,附上Github地址:https://github.com/tostq/Easy_HMM
觉得好,就点星哦!
觉得好,就点星哦!
觉得好,就点星哦!
重要的事要说三遍!!!!
为了方便大家学习,我将整个HMM代码完善成整个学习项目,其中包括
hmm.py:HMM核心代码,包含了一个HMM基类,一个高斯HMM模型及一个离散HMM模型
DiscreteHMM_test.py及GaussianHMM_test.py:利用unnitest来测试我们的HMM,同时引入了一个经典HMM库hmmlearn作为对照组
Dice_01.py:利用离散HMM模型来解决丢色子问题的例子
Wordseg_02.py:解决中文分词问题的例子
Stock_03.py:解决股票预测问题的例子
2. 隐马尔科夫链HMM的背景
首先,已知一组序列 :
我们从这组序列中推导出产生这组序列的函数,假设函数参数为 ,其表示为
即使得序列X发生概率最大的函数参数,要解决上式,最简单的考虑是将序列 的每个数据都视为独立的,比如建立一个神经网络。然后这种考虑会随着序列增长,而导致参数爆炸式增长。因此可以假设当前序列数据只与其前一数据值相关,即所谓的一阶马尔科夫链:
有一阶马尔科夫链,也会有二阶马尔科夫链(即当前数据值取决于其前两个数据值)
当前本文不对二阶马尔科夫链进行深入分析了,着重考虑一阶马尔科夫链,现在根据一阶马尔科夫链的假设,我们有:
因此要解一阶马尔科夫链,其关键在于求数据(以下称观测值)之间转换函数 ,如果假设转换函数同序列中位置 (时间)无关,我们就能根据转换函数而求出整个序列的概率:
然而,如果观测值x的状态非常多(特别极端的情况是连续数据),转换函数会变成一个非常大的矩阵,如果x的状态有K个,那么转换函数就会是一个K*(K-1)个参数,而且对于连续变量观测值更是困难。
为了降低马尔科夫链的转换函数的参数量,我们引入了一个包含较少状态的隐状态值,将观测值的马尔科夫链转换为隐状态的马尔科夫链(即为隐马尔科夫链HMM)
其包含了一个重要假设:当前观测值只由当前隐状态所决定。这么做的一个重要好处是,隐状态值的状态远小于观测值的状态,因此隐藏状态的转换函数 的参数更少。
此时我们要决定的问题是:
即在所有可能隐藏状态序列情况下,求使得序列 发生概率最大的函数参数 。
这里我们再总结下:
隐马尔科夫链HMM三个重要假设:
1. 当前观测值只由当前隐藏状态确定,而与其他隐藏状态或观测值无关(隐藏状态假设)
2. 当前隐藏状态由其前一个隐藏状态决定(一阶马尔科夫假设)
3. 隐藏状态之间的转换函数概率不随时间变化(转换函数稳定性假设)
隐马尔科夫链HMM所要解决的问题:
在所有可能隐藏状态序列情况下,求使得当前序列X产生概率最大的函数参数θ。
代码
http://blog.csdn.net/sinat_36005594/article/details/69568538
前几天用MATLAB实现了HMM的代码,这次用python写了一遍,依据仍然是李航博士的《统计学习方法》
由于第一次用python,所以代码可能会有许多缺陷,但是所有代码都用书中的例题进行了测试,结果正确。
这里想说一下python,在编写HMM过程中参看了之前写的MATLAB程序,发现他们有太多相似的地方,用到了numpy库,在python代码过程中最让我头疼的是数组角标,和MATLAB矩阵角标从1开始不同,numpy库数组角标都是从0开始,而且数组的维数也需要谨慎,一不小心就会出现too many indices for array的错误。程序中最后是维特比算法,在运行过程中出现了__main__:190: VisibleDeprecationWarning: using a non-integer number instead of an integer will result in an error in the future的警告,还没有去掉这个警告,查了一下说不影响结果,后面会去解决这个问题,下面贴出我的代码
# -*- coding: utf-8 -*- """ Created on Thu Feb 16 19:28:39 2017 2017-4-2 ForwardBackwardAlg函数功能:实现前向算法 理论依据:李航《统计学习方法》 2017-4-5 修改了ForwardBackwardAlg函数名称为ForwardAlgo以及输出的alpha数组形式 完成了BackwardAlgo函数功能:后向算法 以及函数FBAlgoAppli:计算在观测序列和模型参数确定的情况下, 某一个隐含状态对应相应的观测状态的概率 2017-4-6 完成BaumWelchAlgo函数一次迭代 2017-4-7 实现维特比算法 @author: sgp """ import numpy as np #输入格式如下: #A = np.array([[.5,.2,.3],[.3,.5,.2],[.2,.3,.5]]) #B = np.array([[.5,.5],[.4,.6],[.7,.3]]) #Pi = np.array([[.2,.4,.4]]) #O = np.array([[1,2,1]]) #应用ndarray在数组之间进行相互运算时,一定要确保数组维数相同! #比如: #In[93]:m = np.array([1,2,3,4]) #In[94]:m #Out[94]: array([1, 2, 3, 4]) #In[95]:m.shape #Out[95]: (4,) #这里表示的是一维数组 #In[96]:m = np.array([[1,2,3,4]]) #In[97]:m #Out[97]: array([[1, 2, 3, 4]]) #In[98]:m.shape #Out[98]: (1, 4) #而这里表示的就是二维数组 #注意In[93]和In[96]的区别,多一对中括号!! #N = A.shape[0]为数组A的行数, H = O.shape[1]为数组O的列数 #在下列各函数中,alpha数组和beta数组均为N*H二维数组,也就是横向坐标是时间,纵向是状态 def ForwardAlgo(A,B,Pi,O): N = A.shape[0]#数组A的行数 M = A.shape[1]#数组A的列数 H = O.shape[1]#数组O的列数 sum_alpha_1 = np.zeros((M,N)) alpha = np.zeros((N,H)) r = np.zeros((1,N)) alpha_1 = np.multiply(Pi[0,:], B[:,O[0,0]-1]) alpha[:,0] = np.array(alpha_1).reshape(1,N)#alpha_1是一维数组,在使用np.multiply的时候需要升级到二维数组。#错误是IndexError: too many indices for array for h in range(1,H): for i in range(N): for j in range(M): sum_alpha_1[i,j] = alpha[j,h-1] * A[j,i] r = sum_alpha_1.sum(1).reshape(1,N)#同理,将数组升级为二维数组 alpha[i,h] = r[0,i] * B[i,O[0,h]-1] #print("alpha矩阵: \n %r" % alpha) p = alpha.sum(0).reshape(1,H) P = p[0,H-1] #print("观测概率: \n %r" % P) #return alpha return alpha, P def BackwardAlgo(A,B,Pi,O): N = A.shape[0]#数组A的行数 M = A.shape[1]#数组A的列数 H = O.shape[1]#数组O的列数 #beta = np.zeros((N,H)) sum_beta = np.zeros((1,N)) beta = np.zeros((N,H)) beta[:,H-1] = 1 p_beta = np.zeros((1,N)) for h in range(H-1,0,-1): for i in range(N): for j in range(M): sum_beta[0,j] = A[i,j] * B[j,O[0,h]-1] * beta[j,h] beta[i,h-1] = sum_beta.sum(1) #print("beta矩阵: \n %r" % beta) for i in range(N): p_beta[0,i] = Pi[0,i] * B[i,O[0,0]-1] * beta[i,0] p = p_beta.sum(1).reshape(1,1) #print("观测概率: \n %r" % p[0,0]) return beta, p[0,0] def FBAlgoAppli(A,B,Pi,O,I): #计算在观测序列和模型参数确定的情况下,某一个隐含状态对应相应的观测状态的概率 #例题参考李航《统计学习方法》P189习题10.2 #输入格式: #I为二维数组,存放所求概率P(it = qi,O|lambda)中it和qi的角标t和i,即P=[t,i] alpha,p1 = ForwardAlgo(A,B,Pi,O) beta,p2 = BackwardAlgo(A,B,Pi,O) p = alpha[I[0,1]-1,I[0,0]-1] * beta[I[0,1]-1,I[0,0]-1] / p1 return p def GetGamma(A,B,Pi,O): N = A.shape[0]#数组A的行数 H = O.shape[1]#数组O的列数 Gamma = np.zeros((N,H)) alpha,p1 = ForwardAlgo(A,B,Pi,O) beta,p2 = BackwardAlgo(A,B,Pi,O) for h in range(H): for i in range(N): Gamma[i,h] = alpha[i,h] * beta[i,h] / p1 return Gamma def GetXi(A,B,Pi,O): N = A.shape[0]#数组A的行数 M = A.shape[1]#数组A的列数 H = O.shape[1]#数组O的列数 Xi = np.zeros((H-1,N,M)) alpha,p1 = ForwardAlgo(A,B,Pi,O) beta,p2 = BackwardAlgo(A,B,Pi,O) for h in range(H-1): for i in range(N): for j in range(M): Xi[h,i,j] = alpha[i,h] * A[i,j] * B[j,O[0,h+1]-1] * beta[j,h+1] / p1 #print("Xi矩阵: \n %r" % Xi) return Xi def BaumWelchAlgo(A,B,Pi,O): N = A.shape[0]#数组A的行数 M = A.shape[1]#数组A的列数 Y = B.shape[1]#数组B的列数 H = O.shape[1]#数组O的列数 c = 0 Gamma = GetGamma(A,B,Pi,O) Xi = GetXi(A,B,Pi,O) Xi_1 = Xi.sum(0) a = np.zeros((N,M)) b = np.zeros((M,Y)) pi = np.zeros((1,N)) a_1 = np.subtract(Gamma.sum(1),Gamma[:,H-1]).reshape(1,N) for i in range(N): for j in range(M): a[i,j] = Xi_1[i,j] / a_1[0,i] #print(a) for y in range(Y): for j in range(M): for h in range(H): if O[0,h]-1 == y: c = c + Gamma[j,h] gamma = Gamma.sum(1).reshape(1,N) b[j,y] = c / gamma[0,j] c = 0 #print(b) for i in range(N): pi[0,i] = Gamma[i,0] #print(pi) return a,b,pi def BaumWelchAlgo_n(A,B,Pi,O,n):#计算迭代次数为n的BaumWelch算法 for i in range(n): A,B,Pi = BaumWelchAlgo(A,B,Pi,O) return A,B,Pi def viterbi(A,B,Pi,O): N = A.shape[0]#数组A的行数 M = A.shape[1]#数组A的列数 H = O.shape[1]#数组O的列数 Delta = np.zeros((M,H)) Psi = np.zeros((M,H)) Delta_1 = np.zeros((N,1)) I = np.zeros((1,H)) for i in range(N): Delta[i,0] = Pi[0,i] * B[i,O[0,0]-1] for h in range(1,H): for j in range(M): for i in range(N): Delta_1[i,0] = Delta[i,h-1] * A[i,j] * B[j,O[0,h]-1] Delta[j,h] = np.amax(Delta_1) Psi[j,h] = np.argmax(Delta_1)+1 print("Delta矩阵: \n %r" % Delta) print("Psi矩阵: \n %r" % Psi) P_best = np.amax(Delta[:,H-1]) psi = np.argmax(Delta[:,H-1]) I[0,H-1] = psi + 1 for h in range(H-1,0,-1): I[0,h-1] = Psi[I[0,h]-1,h] print("最优路径概率: \n %r" % P_best) print("最优路径: \n %r" % I)
原文地址:https://www.cnblogs.com/fangbei/p/8409110.html