Python深度学习:基于TensorFlow

(副标题)：无 ;

(作者): 吴茂贵 ;

内容简介：

​ 5.3.1　隐马尔可夫模型简介
本节我们首先介绍隐马尔可夫模型的结构，然后介绍利用它可以解决哪些问题，最后通过一个简单实例说明HMM的结构及问题求解。
如图5-4所示，隐马尔可夫模型分为上下两行，上行为马尔可夫转移过程，下行则为输出。

图5-4　隐马尔可夫模型
图中，→表示状态转移；↓表示观察值输出。
如果用变量来表示，可分为两组：一组是状态变量{z1，z2，...，zn}，其中zi∈Z表示第i时刻的系统状态，通常状态变量是隐藏的，不可被观察的（不可被观察这个概念，这么说你可能还不清楚，没关系，后面有例子会介绍），因此状态变量又称为隐变量；另一组变量为观察变量{x1，x2，...，xn}，其中xi∈X表示第i时刻的观察值。在隐马尔可夫模型中，系统通常在N个状态之间转换，所以状态变量zi的取值范围Z通常有N个可能取值的离散空间{s1，s2，...，sN}。观察变量xi的取值可以是离散的，也可以是连续的。这里我们以离散为例，连续类似，假设其取值范围为{o1，o2，...，oM}。
图5-4中的箭头不管是横向还是纵向，都是说明变量间的一种依赖关系。横向箭头表示t时刻的状态zt仅依赖于其前一个时刻t-1的状态zt-1，与t-1之前的任何状态无关；纵向箭头表示观察值的取值仅依赖于当前的状态变量，即xt由zt确定，与其他状态变量或观察值无关。这就是所谓的马尔可夫链。这种变量间的关系，可以用图5-5表示。

图5-5　隐马尔可夫模型变量间的关系
基于这种依赖关系，zt依赖于zt-1（或称为zt的父节点），xt依赖于zt（或称为xt的父节点），根据式（5.1），不难得到所有变量的联合概率分布为：

目录预览：

​ Python深度学习：基于TensorFlow
第1章 NumPy常用操作
1.1 生成ndarray的几种方式
1.2 存取元素
1.3 矩阵操作
1.4 数据合并与展平
1.5 通用函数
1.6 广播机制
1.7 小结
第2章 Theano基础
2.1 安装
2.2 符号变量
2.3 符号计算图模型
2.4 函数
2.5 条件与循环
2.6 共享变量
2.7 小结
第3章 线性代数
3.1 标量、向量、矩阵和张量
3.2 矩阵和向量运算
........