HMM算法描述

1. HMM实现中文分词中维比特算法运行出现问题

乍一听似乎很玄妙，但是其实很简单。下面是相关参数介绍，也是第一眼觉得很抽象，但是慢慢看下去随着具体含义的解释就渐渐清晰。
HMM(Hidden Markov Model): 隐式马尔科夫模型。
HMM模型可以应用在很多领域，所以它的模型参数描述一般都比较抽象，以下篇幅针对HMM的模型参数介绍直接使用它在中文分词中的实际含义来讲：
HMM的典型介绍就是这个模型是一个五元组:
StatusSet: 状态值集合
ObservedSet: 观察值集合
TransProbMatrix: 转移概率矩阵
EmitProbMatrix: 发射概率矩阵

2. HMM是什么意思

隐马尔可夫模型(HMM)是指隐马尔可夫模型，是一种用于描述参数未知的马尔可夫过程的统计模型。困难在于从可观察的参数中确定过程的隐藏参数。这些参数然后被用于进一步的分析，例如模式识别。

隐马尔可夫模型最早是由伦纳德·鲍姆(Leonard E. Baum)和其他作者在20世纪60年代下半叶的一系列统计论文中描述的。隐马尔可夫模型的最初应用之一是语音识别，始于20世纪70年代中期。

20世纪80年代后半期，隐马尔可夫模型开始应用于生物序列的分析，特别是DNA。自此，隐马尔可夫模型逐渐成为生物信息学领域不可或缺的技术。

3）参数不变性假设。上面介绍的三大要素不随时间的变化而改变，即在整个训练过程中一直保持不变。

3. 语音识别文件的声学模型

语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。本节和下一节分别介绍声学模型和语言模型方面的技术。
HMM声学建模：马尔可夫模型的概念是一个离散时域有限状态自动机，隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值只与当前状态（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、Viterbi算法和前向后向算法。
语音识别中使用HMM通常是用从左向右单向、带自环、带跨越的拓扑结构来对识别基元建模，一个音素就是一个三至五状态的HMM，一个词就是构成词的多个音素的HMM串行起来构成的HMM，而连续语音识别的整个模型就是词和静音组合起来的HMM。上下文相关建模：协同发音，指的是一个音受前后相邻音的影响而发生变化，从发声机理上看就是人的发声器官在一个音转向另一个音时其特性只能渐变，从而使得后一个音的频谱与其他条件下的频谱产生差异。上下文相关建模方法在建模时考虑了这一影响，从而使模型能更准确地描述语音，只考虑前一音的影响的称为Bi- Phone，考虑前一音和后一音的影响的称为Tri-Phone。
英语的上下文相关建模通常以音素为基元，由于有些音素对其后音素的影响是相似的，因而可以通过音素解码状态的聚类进行模型参数的共享。聚类的结果称为senone。决策树用来实现高效的triphone对senone的对应，通过回答一系列前后音所属类别（元/辅音、清/浊音等等）的问题，最终确定其HMM状态应使用哪个senone。分类回归树CART模型用以进行词到音素的发音标注。

4. HMM中解码问题的求解有什么比较好的算法

我学它的时候老师讲HMM主要解决三个问题类型，评估问题，解码问题和机械学习。em（BW)算法用于解决第三个问题类型，用观测数据来训练模型参数。用哪个function得看你作业是属于哪种类型。而且要看你的模型是哪种，单纯的left to right模型的话状态转移矩阵中只保存相同状态的转移概率和对下一个状态的转移概率，其他的都是0。建议用kevin murphy的HMM工具箱，它应该是世界上使用率最高最有名的。

5. 分析HMM前向算法的原理和作用

前向算法

前向算法用于HMM的模型评估问题。假如我们已知HMM的三元组。假如共有N种状态，那么对于观测序列O,共有N的T次方种路径。

希望回答能够帮助到你。

6. 关于语音识别的HMM和MFCC的关系

MFCC用于HMM的训练（和识别）过程中，因为HMM中针对每一帧语音（或者每一个音素）有特征向量，而这里采用什么特征向量根据具体情况决定，可以选用MFCC

7. HMM算法训练的状态怎么设定

根据自己的理解，设定几个状态，然后输入大量对象，统计概率分布，最后训练

8. 判别分析方法、聚类分析方法、HMM方法简介

三个学分的通选课,A类
曾经作为力学系的限选课开出.
欢迎大二以上有数理基础的同学选修.

《生物信息学算法导论》课程介绍
课程英文名：Introction to Computational Biology
课程号：00331440
开课单位：力学系、理论生物学中心
开课教师：朱怀球
上课时间：每周四晚
上课地点：理教201
选课地点、时间：三教103，9月5日星期五上午8:00～12:00

一、课程设置目的及主要内容
随着人类基因组计划的不断推进，运用理论模型和数值计算研究生命科学，已经成为一门 最吸引人的新兴学科，是当今生命科学和自然科学的核心领域和最具活力的前沿领域之一 。生物信息学/计算生物学以现代分子生物学数据作为主要研究对象，发展理论模型和计算方法，揭示以基因组信息结构为主的生物复性，以及生长、发育、遗传、进化等生命 现象的根本规律。本课程主要为具有数理背景的大学二年级以上本科生（含大二）和相关领域的研究生开设，偏重理论建模和算法的学习。首先介绍当代生命科学的发展和现状， 然后介绍计算生物学中几种主要的研究方法，包括统计学方法、Markov过程模型、信息论方法、机器学习方法等，并结合当今生物信息学领域的最新进展，讨论上述各种方法实际研究中的应用（包括基因序列信息分析、基因预测、分子进化及系统发育树和蛋白质调控网络等重要问题）。 本课程注重学科交叉、融合，以介绍思想、方法为主，深入浅出，避免繁琐、抽象的数学形式，启发学生综合运用数学、物理、工程科学和计算机知识的能力，拓宽知识面，了解学科前沿和最新进展，培养跨越生命科学、计算科学、数理科学等不同领域的“大科学”素质和意识，为今后选择新兴交叉学科领域进行深造奠定基础。

二、课程大纲

第1章 绪论 （1学时）
从人类基因组计划说起
计算生物学——后基因组时代的呼唤
计算生物学主要研究内容和方法
以生命科学为核心的“大科学”

第2章 生物学基础 （5学时）
What is life？——从薛定锷的思考到“双螺旋”的发现
生命的演化和分类
生命的分子组成
遗传的分子基础
基因组与基因结构

第3章 生物信息数据库和计算生物学主要问题 （3学时）
生物信息数据库简介
计算生物学主要问题之一：序列比对
计算生物学主要问题之二：核酸和蛋白质结构与功能预测
计算生物学主要问题之三：基因组序列分析
计算生物学主要问题之四：功能基因组相关信息分析

第4章 计算生物学的统计学方法 （10学时）
统计方法的基本概念
回归分析方法及其应用
判别分析方法及其应用
聚类分析方法及其应用

第5章 计算生物学的Markov过程模型 （6学时）
Markov过程的基本概念
隐Markov模型（HMM）的基本原理
HMM模型的计算生物学应用

第6章 生物学的信息论基础 （6学时）
信源与信息熵
离散信道与平均互信息
编码理论简介
生物遗传信息的传递

第7章 遗传算法和人工神经网络方法简介 （8学时）
遗传算法的基本原理和方法
遗传算法与人工生命模型
人工神经网络的基本概念
人工神经网络的模式识别算法

第8章 生物信息学/计算生物学的若干重要问题 （6学时）
基因预测算法和软件
分子进化与系统发育
基因调控网络

三、本课程考试方式

在老师指导下，结合所讲内容进行学科调研，要求同学在期中、期末分别完成两次调研论 文，论文题目不限。

9. HMM 前向后向算法是怎么回事啊，最好带个例子。

前向就是把当前状态之前的可观测序列搞成一个概率，后向就是把当前状态之后的搞成一个概率，这样HMM参数就可以通过迭代的方法求解了，有个叫An introction to Hidden Markov Model的文章不错，可以看下

10. hmm的无监督训练方法是什么算法

通用迭代算法