HMM(隐性马氏模型)及应用.ppt

《HMM(隐性马氏模型)及应用.ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、HMM(隐性马氏模型)及应用中科院计算所生物信息学研究组狐昱2002.10马氏过程与马氏链马氏过程：具有无后效性的随机过程。即tm时刻所处状态的概率只和tm-1时刻的状态有关，而与tm-1时刻之前的状态无关。比如布朗运动，柏松过程。马氏链：时间离散，状态离散的马氏过程。马氏链的参数转移概率：akl=P(πi=l

2、πi-1=k)初始概率HMM（HiddenMarkovModels）一个双重随机过程，两个组成部分：●马氏链：描述状态的转移。用转移概率描述●一般随机过程：描述状态与观察序列间的关系用输出概率描述HMM的基本算法Viterbi算法前向－后向算法

3、Baum-Welch算法Viterbi算法采用动态规划算法。复杂度O(K2L)K和L分别为状态个数和序列长度初始化（i＝0）：k>0递推（i＝1…L)：终止：回溯（i＝L…1):前向－后向算法前向算法：动态规划，复杂度同Viterbi定义前向变量初始化（i＝0）：k>0递推（i＝1…L)：终止：后向算法：动态规划，复杂度同Viterbi定义后向变量初始化（i＝L）：所有k递推（i＝L－1…1)：终止：Baum－Welch算法重估公式：HMM应用主要应用是解码（decoding）。在生物序列分析中，从序列中的每个值（观察值）去推测它可能属于那个状态。两种

4、解码方法：（1）Viterbi算法解码（2）前向－后向算法＋贝叶斯后验概率Viterbi解码由Viterbi算法所得的是一条最佳路径。根据该路径可直接得出对应于每一观察值的状态序列前向－后向算法＋贝叶斯后验概率利用贝叶斯后验概率计算序列中的值属于某一状态的概率即：而实际建模过程根据实际问题确定状态个数及观察序列。用若干已知序列，采用B－W算法估计参数（转移概率和输出概率的值。输入未知序列用Viterbi算法或贝叶斯概率解码。