转自：http://blog.csdn.net/stdcoutzyx/article/details/8522078学习概率的时候，大家一定都学过马尔科夫模型吧，当时就觉得很有意思，后来看了数学之美之隐马模型在自然语言处理中的应用后，看到隐马尔科夫模型竟然能有这么多的应用，并且取得了很好的成果，更觉...
分类：
其他好文 时间：
2014-10-18 16:44:18
阅读次数：
297
l 方法综述l Kalman 滤波器，扩展Kalman 滤波器，l 点追踪，轮廓追踪，3D建模追踪，基于颜色分布的追踪方法。l 3D建模方法跟踪很有效，但耗费时间。颜色直方图方法因为简单，有效并且高效的特性，成为了目前比较流行的一个用于表示被跟踪目标的方法。但颜色直方图也有局限性。隐马尔科夫模型是另...
分类：
其他好文 时间：
2014-10-01 00:37:20
阅读次数：
302
模型定义 隐马尔科夫模型定义如下：$$\lambda = (Q,V,A,B,\pi);$$ I是长度为T的状态序列：$I=(i_1,i_2,...,i_T)$; O是对应的观测序列: $O = (o_1,o_2,...,o_t)$; 其中： 1) Q为状态的集合:$Q={q_1,q_2,....
分类：
其他好文 时间：
2014-09-01 00:16:02
阅读次数：
212
马尔科夫模型
马尔科夫模型是单重随机过程，是一个2元组：(S,A)。
其中S是状态集合，A是状态转移矩阵。
只用状态转移来描述随机过程。
马尔科夫模型的2个假设
有限历史性假设：t+l时刻系统状态的概率分布只与t时刻的状态有关，与t时刻以前的状态无关；
齐次性假设：从t时刻到t+l时刻的状态转移与t的值无关。
以天气模型为例
天气变化有3中状态S:{1(阴),2（云）,...
分类：
其他好文 时间：
2014-08-27 11:01:47
阅读次数：
266
卡尔曼滤波建立在隐马尔科夫模型上，是一种递归估计。也就是说，只需要知道上一个状态的估计值，以及当前状态的观测值，就能计算当前状态的最优估计值。
而不需要更早的历史信息。
卡尔曼滤波器的2个状态
1.最优估计
2.误差协方差矩阵
这两个变量迭代计算，初始值多少，其实没有影响。反正最后都能收敛到最优估计。
预测过程
F是状态转移矩阵，B是控制矩阵（也可以不需要）。Q是过程噪声...
分类：
其他好文 时间：
2014-08-20 18:02:32
阅读次数：
392
HMM（隐马尔科夫模型）基本原理及其实现HMM基本原理Markov链：如果一个过程的“将来”仅依赖“现在”而不依赖“过去”，则此过程具有马尔可夫性，或称此过程为马尔可夫过程。马尔可夫链是时间和状态参数都离散的马尔可夫过程。HMM是在Markov链的基础上发展起来的，由于实际问题比Markov链模型所...
分类：
其他好文 时间：
2014-08-19 22:22:45
阅读次数：
365
题意：第i天的天气会一定概率地影响第i+1天的天气，也会一定概率地影响这一天的湿度.概率在表中给出。给出n天的湿度，推测概率最大的这n天的天气。分析：这是引自机器学习中隐马尔科夫模型的入门模型，其实在这里直接DP就可以了定义：dp[i][j]为第i天天气为j（0,1,2分别表示三个天气）的概率，pa...
分类：
其他好文 时间：
2014-08-13 00:26:24
阅读次数：
258
第一部分 模型简介
隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程 ----具有一定状态数的隐马尔可夫链和显示随机函数集。自20 世纪80年代以来，HMM被应用于语音识别，取得重大成功。到了90...
分类：
其他好文 时间：
2014-07-29 14:38:48
阅读次数：
386
（http://blog.csdn.net/xum2008/article/details/38147425）隐马尔科夫模型（HMM）：图1. 隐马尔科夫模型隐马尔科夫模型的缺点： 1、HMM只依赖于每一个状态和它对应的观察对象： 序列标注问题不仅和单个词相关，而且和观察序列的长度，单词的上下文，等...
分类：
其他好文 时间：
2014-07-29 12:28:06
阅读次数：
291
隐马尔科夫模型（HMM）：
图1. 隐马尔科夫模型
隐马尔科夫模型的缺点：
1、HMM只依赖于每一个状态和它对应的观察对象：
序列标注问题不仅和单个词相关，而且和观察序列的长度，单词的上下文，等等相关。
2、目标函数和预测目标函数不匹配：
HMM学到的是状态和观察序列...
分类：
其他好文 时间：
2014-07-27 11:55:03
阅读次数：
338
