定义
目标
非结构化方法
4.1 贝叶斯网络
4.1.1 不完全连通图
其中pak表示xk的父节点集合,x = {x1,… ,xK}
4.1.2 数学定义
4.2 图模型的常用推导方法
4.3隐马尔可夫模型
4.3.1马尔可夫性质
一组随机变量序列X=\{X_n\},n=0…N,其中X_k的取值为s_k且s_k\inN,当且仅当P(X_m=s_m|X_0=s_0,…, X_{m-1}=s_{m-1})=P(X_m=s_m|X_{m-1}=s_{m-1}),则X满足马尔可夫性质。
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质。
4.3.2马尔可夫链的历史
4.3.3 马尔可夫链的应用
4.3.4 马尔可夫链
4.4 最大似然估计
从一个给定的O和Q中,似然值为:\\ $L(A,B,\pi)=a_{i_1}b_{i_1o_1}a_{i_1i_2}b_{i_2o_}...a_{i_{T-1}i_T}b_{i_To_T}$\\ Log-likehood 值为\\ $l(A,B,\pi)=\sum_{i=1}^Mf_{i0}ln(a_i)+\sum_{i=1}^M\sum_{j=1}^Mf_{ij}ln(a_{ij})+\sum_{i=1}^M\sum_{o(i)}ln(b_{io})$\\ 最大似然估计就是要求以下参量:\\ $a_i=\frac{f_{i0}}{1} a_ij=\frac{f_{ij}}{\sum_{j=1}^Mf_{ij}}$\\
由于直接从似然函数求最大似然估计过于困难,人们采用一些技术来计算: