十
18
八、总结(Summary)
通常，模式并不是单独的出现，而是作为时间序列中的一个部分——这个过程有时候可以被辅助用来对它们进行识别。在基于时间的进程中，通常都会使用一些假设——一个最常用的假设是进程的状态只依赖于前面N个状态——这样我们就有了一个N阶马尔科夫模型。最简单的例子是N = 1。
存在很多例子，在这些例子中进程的状态（模式）是不能够被直接观察的，但是可以非直接地，或者概率地被观察为模式的另外一种集合——这样我们就可以定义一类隐马尔科夫模型——这些模型已被证明在当前许多研究领域，尤其是语音识别领域具有非常大的价值。
在实际的过程中这些模型提出了三个问题都可以得到立即有效的解决，分别是：
* 评估：对于一个给定的隐马尔科夫模型其生成一个给定的观察序列的概率是多少。前向算法可以有效的解决此问题。
* 解码：什么样的隐藏（底层）状态序列最有可能生成一个给定的观察序列。维特比算法可以有效的解决此问题。
* 学习：对于一个给定的观察序列样本，什么样的模型最可能生成该序列——也就是说，该模型的参数是什么。这个问题可以通过使用前向-后向算法解决。
隐马尔科夫模型（HMM）在分析实际系统中已被证明有很大的价值；它们通常的缺点是过于简化的假设，这与马尔可夫假设相关——即一个状态只依赖于前一个状态，并且这种依赖关系是独立于时间之外的（与时间无关）。
关于隐马尔科夫模型的完整论述，可参阅：
L R Rabiner and B H Juang, `An introduction to HMMs’, iEEE ASSP Magazine, 3, 4-16.
全文完！
后记：这个翻译系列终于可以告一段落了，从6月2日起至今，历史四个多月，期间断断续续翻译并夹杂些自己个人的理解，希望这个系列对于HMM的学习者能有些用处，我个人也就很满足了。接下来，我会结合HMM在自然语言处理中的一些典型应用，譬如词性标注、中文分词等，从实践的角度讲讲自己的理解，欢迎大家继续关注52nlp。
本文翻译自：http://www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/main.html
部分翻译参考：隐马尔科夫模型HMM自学
转载请注明出处“我爱自然语言处理”：www.52nlp.cn
本文链接地址：http://www.52nlp.cn/hmm-learn-best-practices-eight-summary
相关文章:
- HMM学习最佳范例五：前向算法3
- HMM学习最佳范例四：隐马尔科夫模型
- HMM学习最佳范例七：前向-后向算法1
- HMM学习最佳范例六：维特比算法4
- HMM学习最佳范例七：前向-后向算法5
- 几种不同程序语言的HMM版本
- HMM学习最佳范例六：维特比算法3
- HMM学习最佳范例七：前向-后向算法2
- HMM学习最佳范例七：前向-后向算法3
- HMM学习最佳范例六：维特比算法5
评论
10条回复 to “HMM学习最佳范例八：总结”
发表评论
订阅52nlp：
辛苦了！
我个人感觉是学了graphical model以后，才对这些模型（HMM, CRF, Bayesian Network, MLN, etc.）有了比较清楚的认识，换句话说就是，不被天花乱坠的名字所迷惑，呵呵
[回复]
52nlp 回复:
十一月 14th, 2009 at 11:14
谢谢，有空好好看一下graphical model，现在的感觉是一些本质的东西还抓不住，还要好好努力！
[回复]
刚看完《A tutorial on HMM and selected Applications in Speech Recognition》这篇经典的HMM文献后，觉得很蒙，但是看了你的讲解，才感觉好象明白了些，对照原文和你的讲解，觉得你的翻译不错。你辛苦地讲解，对我帮助很大，忠心地说声谢谢！
[回复]
52nlp 回复:
十一月 17th, 2009 at 21:25
不用客气，对你有帮助就好，欢迎常来看看！
[回复]
受益匪浅 谢谢！
[回复]
52nlp 回复:
十一月 18th, 2009 at 19:32
不客气，欢迎常来转转！
[回复]
非常感谢，你翻译的很好，很清楚。对我的帮助很大。
[回复]
52nlp 回复:
四月 8th, 2010 at 07:36
不客气，欢迎！
[回复]
无论是翻译还是讲解都非常的棒，真是辛苦了，对俺的帮助真的是很大，不枉此学！！非常感谢喽！
[回复]
52nlp 回复:
五月 22nd, 2010 at 21:41
不客气，欢迎多来走走！
[回复]