概述
它支持了早期语音识别、基因发现和词性标记。
深入探讨
隐马尔可夫模型 (HMM) 假设过程随时间在一组隐藏状态之间跳跃，其中下一个状态仅取决于当前状态（马尔可夫属性）。你永远不会直接观察状态；相反，每个状态根据发射概率发射可观察的符号。 HMM 由三部分定义：初始状态概率、状态之间的转移矩阵以及输出的发射概率。随之而来的三个经典问题是：评估（观察到的序列的可能性有多大，由前向算法解决）、解码（什么隐藏路径最能解释观察结果，由维特比算法解决）和学习（根据数据估计参数，由鲍姆-韦尔奇期望最大化算法解决）。隐马尔可夫模型（HMM）主导了语音和序列标记数十年。
现实世界的实施
词性标记，将每个单词标记为名词、动词或形容词
生物信息学中的基因和蛋白质序列分析
经典自动语音识别系统中的声学建模
检测金融和传感器时间序列中的状态或片段
隐马尔可夫模型的未来
循环网络和变压器在很大程度上取代了语音和语言的 HMM，因为它们捕获了一阶马尔可夫链无法捕获的长程非线性依赖性。然而，HMM 在可解释性、小数据和明确的状态语义很重要的地方生存下来：生物信息学、时间序列分割、故障检测和金融。预计将继续在混合和设备上管道中使用，并作为更丰富的潜变量和状态空间模型的概念垫脚石。
付诸实践
为什么这很重要
- 成本与预算. 多年来，架构决策决定着性能和运营成本。
- 更清晰的判决. 技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
- 质量控制. 更好的工程选择可以减少生产中的可靠性事故。
留意
- 优化一项基准测试可以隐藏更广泛的系统弱点。
- 基础设施和维护成本常常被低估。
- 随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
后续步骤
- 在实施之前定义延迟、质量和成本目标。
- 在实际负载和数据条件下进行基准测试。
- 仪器监控错误、漂移和用户影响。
- 在扩展之前准备回滚和事件响应路径。
不断探索
常见问题
什么是隐藏马尔可夫模型？
隐马尔可夫模型描述了一个系统，该系统通过您无法直接看到的隐藏状态移动，并沿途发出可观察的输出。它为早期语音识别、基因查找和词性标记提供了动力。
隐马尔可夫模型中的“隐”指的是什么？
您只能看到发出的观察结果；底层状态序列是隐藏的，必须推断出来。
HMM 假设的马尔可夫性质是什么？
在一阶马尔可夫链中，未来仅取决于当前状态，而不取决于完整的历史。
哪种算法可以找到单个最可能的隐藏状态序列？
维特比使用动态规划来保留到达每个状态的最可能路径，恢复最佳的整体状态序列。
哪三组概率完全指定 HMM？
HMM 由其开始位置、状态如何转换以及状态如何发出观察结果来定义。
Baum-Welch 算法有什么作用？
Baum-Welch 是一种 EM 程序，它迭代地重新估计转变和发射概率以最大化数据可能性。