潮科技行业入门指南 | 深度学习理论与实战：提高篇（3）——基于HMM的语音识别

我们这里有两个重要信息：不同天气吃雪糕的概率是不同的；连续两天的天气的变化是有规律的。我们可以使用Hidden Markov Mode(HMM)来建模这个问题，HMM是一个生成模型，我们假设模型有一个隐状态的序列(天气序列)，但是看不到；我们看到的是一个观察序列(吃雪糕数的序列)。HMM会有两个概率来利用前面说的两个重要信息：隐状态的跳转概率和发射概率。状态的跳转概率指的是从一个隐状态跳转到另一个隐状态的概率，比如今天是H，那么明天是H还是C的概率是不同的。而发射概率指的是如果天气是H(或者C)，Jason吃雪糕数量的概率分布。

HMM模型的目的就是根据观察的序列，估计“最可能”的模型(就是这两个概率)。那什么叫最可能的模型呢？这两个概率都有无穷(或者只是很多)种可能，假设Jason吃雪糕的数量只能是=1,2,3O=1,2,3，(=1|),(=2|),(=3|)p(O=1|H),p(O=2|H),p(O=3|H)表示热天吃一、二和三支雪糕的概率，那么可能的一种概率分布是(0.1,0.2,0.7)，也可能是(0.1,0.3,0.6)，…，理论上有无穷种可能。但是模型一旦确定，我们可以计算在这个模型下看到某个序列的概率(计算方法后面会介绍)。存在一个(或者多个)模型使得这个概率最大，那么我们就可以认为这个模型是“最优”的。理论上我们可以“遍历”所有可能的模型，然后找到“最优”的模型，但实际上可能的模型参数是无穷的，因此我们需要更聪明的办法来找到这个最优的模型。

（编辑：温州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!