隐马氏模型的建立及其应用

隐马氏模型(hidden Markov models)是一类统计模型，简称HMMs。它包括一个不被直接观测的马尔可夫过程和一个与之相关的可观测过程。这一模型于七十年代中期由Jenik等应用到语音识别领域，逐步发展成为语音识别中最瞩目、最有效的技术之一。目前，它在基因关联分析和基因识别、文字识别、图像处理和目标跟踪等方面都有广泛应用。隐马氏模型需要解决三个问题：学习问题、识别问题和解码问题，对这三个问题的回答构成了隐马氏模型理论。其中，参数估计是学习问题中的核心。 本文讨论了一维平稳隐马氏模型参数估计及其相关性质，并且还讨论了二维隐马氏模型的解码算法。本文通过将连续时间隐马氏模型转化为离散时间隐马氏模型的方法，给出了一类具体的隐马氏模型——经马氏修正的Poisson过程的极大似然估计算法。且在条件减弱的条件下，给出了2状态马氏链修正的Poisson过程参数的极大似然估计算法。此类过程被广泛用于对复杂电信网络中的交通流进行建模。本文还给出了应用于手写体字符识别局部最优的解码算法，同时讨论了伪二维隐马氏模型的解码算法。