Scholar Hub/Chủ đề/#mô hình markov ẩn/
Mô hình Markov ẩn (HMM) là mô hình thống kê mô tả hệ thống có trạng thái ẩn không quan sát được, được suy luận thông qua chuỗi dữ liệu đầu ra quan sát được. Các trạng thái trong HMM tuân theo quá trình Markov, nghĩa là xác suất chuyển trạng thái chỉ phụ thuộc vào trạng thái hiện tại, không phụ thuộc lịch sử trước đó.
Mô hình Markov ẩn là gì?
Mô hình Markov ẩn (Hidden Markov Model - HMM) là một mô hình thống kê mô tả một hệ thống mà trạng thái thực sự (ẩn) của nó không thể quan sát trực tiếp, nhưng có thể được suy luận thông qua một chuỗi các tín hiệu hoặc dữ liệu quan sát được. Các trạng thái ẩn tuân theo tính chất Markov, nghĩa là xác suất chuyển trạng thái chỉ phụ thuộc vào trạng thái hiện tại và không phụ thuộc vào các trạng thái trước đó. HMM được sử dụng rộng rãi trong các bài toán xử lý ngôn ngữ tự nhiên, sinh học tính toán, nhận dạng mẫu, và mô hình hóa chuỗi thời gian trong tài chính.
Các thành phần cơ bản của HMM
Một mô hình Markov ẩn tiêu chuẩn được xác định bởi năm tham số:
- Tập hợp trạng thái ẩn : Các trạng thái không thể quan sát trực tiếp.
- Tập hợp các quan sát : Các tín hiệu có thể đo đạc hoặc ghi nhận được.
- Ma trận xác suất chuyển trạng thái :
- Ma trận xác suất phát hiện (emission) :
- Phân phối xác suất khởi đầu :
Thông thường, một HMM được ký hiệu tổng quát là .
Ba bài toán cơ bản trong Mô hình Markov ẩn
Để sử dụng HMM hiệu quả, cần giải quyết ba bài toán cơ bản:
- 1. Bài toán đánh giá: Tính xác suất cho chuỗi quan sát đã cho và mô hình . Thuật toán Forward được sử dụng để tính nhanh giá trị này.
- 2. Bài toán giải mã: Xác định chuỗi trạng thái ẩn tối ưu đã sinh ra chuỗi quan sát. Thuật toán Viterbi là kỹ thuật phổ biến nhất cho mục tiêu này.
- 3. Bài toán học tham số: Ước lượng các tham số , , để tối đa hóa . Thuật toán Baum-Welch (một dạng đặc biệt của EM) được sử dụng.
Thuật toán Forward
Thuật toán Forward tính xác suất chuỗi quan sát bằng cách đệ quy, thay vì tính tổng toàn bộ số lượng chuỗi trạng thái tiềm năng:
Định nghĩa biến forward là xác suất quan sát được và hệ thống ở trạng thái tại thời điểm :
Thuật toán tính theo quy trình khởi tạo, đệ quy, và kết thúc để tìm .
Thuật toán Viterbi
Thuật toán Viterbi tìm chuỗi trạng thái ẩn tối ưu với xác suất tối đa. Biến Viterbi được định nghĩa như sau:
Thuật toán cũng dựa trên quy trình khởi tạo, đệ quy, và truy vết ngược để xác định chuỗi trạng thái tốt nhất.
Thuật toán Baum-Welch
Baum-Welch là thuật toán huấn luyện HMM từ dữ liệu quan sát, dựa trên nguyên lý Expectation-Maximization:
- Expectation step: Tính kỳ vọng của số lần chuyển giữa các trạng thái và số lần sinh ra mỗi quan sát.
- Maximization step: Cập nhật , và để tối đa hóa xác suất tổng thể.
Baum-Welch cho phép tìm được tham số hợp lý nhất khi dữ liệu huấn luyện không có nhãn trạng thái.
Ứng dụng thực tiễn của Mô hình Markov ẩn
- Nhận dạng tiếng nói: Các hệ thống như Siri, Alexa, Google Assistant sử dụng HMM để phân tích chuỗi âm thanh và ánh xạ thành từ ngữ, chi tiết trong IEEE Tutorial on HMMs and Speech Recognition.
- Phân tích trình tự sinh học: Dùng để tìm gene, phân tích vùng protein bằng phần mềm như HMMER.
- Dự báo tài chính: HMM giúp mô hình hóa thị trường tài chính không ổn định và xác định các pha thị trường (bò - gấu).
- Nhận dạng chữ viết tay: Áp dụng HMM để nhận dạng chuỗi ký tự viết tay trong tài liệu số hóa.
Ưu điểm và hạn chế của HMM
- Ưu điểm: Hiệu quả trong xử lý chuỗi, yêu cầu ít tham số, dễ diễn giải và dễ tích hợp với các phương pháp học máy khác.
- Hạn chế: Giả định Markov bậc 1 (chỉ phụ thuộc vào trạng thái trước đó) là hạn chế; khó mở rộng với dữ liệu phi tuyến tính hoặc có phụ thuộc dài hạn; học tham số dễ rơi vào cực trị cục bộ.
Các mô hình mở rộng từ HMM
- HMM liên tục: Sử dụng phân phối liên tục như Gaussian để mô hình hóa đầu ra, thay vì tập giá trị rời rạc.
- Hierarchical HMM (HHMM): Mô hình đa cấp, cho phép mô tả quá trình phức tạp hơn với nhiều lớp trạng thái ẩn.
- Conditional Random Fields (CRFs): Khắc phục hạn chế Markov của HMM bằng cách mô hình hóa phân phối có điều kiện, được sử dụng nhiều trong gán nhãn chuỗi.
So sánh HMM với CRFs
Tiêu chí |
HMM |
CRFs |
Kiểu mô hình |
Generative (sinh dữ liệu) |
Discriminative (phân biệt) |
Phụ thuộc trạng thái |
Chỉ trạng thái hiện tại |
Có thể mở rộng nhiều đặc trưng hơn |
Ứng dụng |
Nhận dạng tiếng nói, sinh học |
Gán nhãn chuỗi, phân loại |
Kết luận
Mô hình Markov ẩn là một trong những công cụ nền tảng cho việc phân tích và dự đoán chuỗi dữ liệu trong khoa học máy tính và trí tuệ nhân tạo. Dù tồn tại một số giới hạn về khả năng mô hình hóa các phụ thuộc phức tạp, HMM vẫn giữ vai trò cốt lõi trong nhiều ứng dụng thực tế và là nền tảng cho sự phát triển của các mô hình chuỗi tiên tiến hơn như LSTM và CRFs.
Các Biện Pháp Bayesian Cho Độ Phức Tạp và Độ Khớp Của Mô Hình Dịch bởi AI Journal of the Royal Statistical Society. Series B: Statistical Methodology - Tập 64 Số 4 - Trang 583-639 - 2002
Tóm tắtChúng tôi xem xét vấn đề so sánh các mô hình phân cấp phức tạp trong đó số lượng tham số không được xác định rõ. Sử dụng lập luận thông tin lý thuyết, chúng tôi đưa ra một thước đo pD cho số lượng tham số hiệu quả trong một mô hình như sự khác biệt giữa trung bình hậu nghiệm của độ lệch và độ lệch tại giá trị trung bình hậu nghiệm của các tham số quan trọng....... hiện toàn bộ #Mô hình phân cấp phức tạp #thông tin lý thuyết #số lượng tham số hiệu quả #độ lệch hậu nghiệm #phương sai hậu nghiệm #ma trận 'hat' #các họ số mũ #biện pháp đo lường Bayesian #biểu đồ chuẩn đoán #Markov chain Monte Carlo #tiêu chuẩn thông tin độ lệch.
Một mô hình Markov ẩn trong dự báo chỉ số chứng khoán VN-IndexPhân tích và dự đoán thị trường cổ phiếu là một trong những lĩnh vực thúvị mà trong đó dữ liệu lịch sử có thể được sử dụng để ước tính và dự đoán dữliệu và thông tin của tương lai. Về mặt kỹ thuật mà nói, lĩnh vực này có tầmquan trọng lớn cho các chuyên gia trong tài chính và thị trường chứng khoánnhư là họ co thể nắm bắt và điều chỉnh xu hướng tương lai hoặc quản lý khủnghoảng theo thời gian. Tro...... hiện toàn bộ So sánh phương pháp nhận dạng hành động con người trong đoạn video quay bằng một camera dùng DTW và HMMTrong bài báo này, chúng tôi tìm hiểu và so sánh hai thuật toán nhận dạng Dynamic Time Warping (DTW) và mô hình Markov ẩn HMM. Trước tiên, từ mỗi khung video, chúng tôi ước lượng tư thế người 3D, bao gồm tọa độ 3D của các khớp đặc trưng, dùng kỹ thuật mô hình hóa cơ thể 3D; rồi chuyển các tọa độ này sang thuộc tính quan hệ hình học GRF, mô tả quan hệ hình học giữa các khớp trong một tư thế nhằm gi...... hiện toàn bộ #Dynamic Time Warping (DTW) #Nhận dạng hành động con người #mô hình hóa người 3D #thuộc tính quan hệ hình học #mô hình Markov ẩn tuần hoàn
Mô hình sức bền hệ thống thử nghiệm tăng tốc dựa trên phân phối Birnbaum–Saunders: phân tích hoàn chỉnh Bayesian và so sánh Dịch bởi AI Springer Science and Business Media LLC - Tập 15 - Trang 379-396 - 2009
Nhiều mô hình cho các nghiên cứu liên quan đến sức bền kéo của các vật liệu đã được đề xuất trong tài liệu, trong đó kích thước hoặc thành phần chiều dài được coi là yếu tố quan trọng để nghiên cứu hành vi phá hủy của mẫu vật. Một mô hình quan trọng, được phát triển dựa trên phương pháp tổn thương tích lũy, là mở rộng ba tham số của mô hình mỏi Birnbaum–Saunders, kết hợp kích thước của mẫu vật như...... hiện toàn bộ #sức bền kéo #mô hình tổn thương tích lũy #phân phối Birnbaum–Saunders #phân tích Bayesian #mô phỏng chuỗi Markov Monte Carlo
Hiệu quả chi phí của thuốc cladribine trong điều trị bệnh đa xơ cứng thể tiến triển từng đợt tại Hà Lan Dịch bởi AI Springer Science and Business Media LLC - Tập 17 - Trang 857-873 - 2019
Thuốc cladribine dưới dạng viên nén gần đây đã có mặt tại Hà Lan cho bệnh nhân mắc bệnh đa xơ cứng thể tiến triển từng đợt (RRMS) với vai trò là một tác nhân thay đổi bệnh có khả năng giảm tần suất và mức độ nghiêm trọng của các đợt tái phát cũng như trì hoãn sự tiến triển của tàn tật. Mục tiêu của nghiên cứu này là đánh giá hiệu quả chi phí của thuốc cladribine, so với các lựa chọn thay thế, tron...... hiện toàn bộ #cladribine #hiệu quả chi phí #bệnh đa xơ cứng #Hà Lan #sinh học y tế #mô hình Markov
Nghiên cứu về việc sử dụng CDHMM cho nhận dạng chữ Hán viết tay với từ vựng lớn Dịch bởi AI Proceedings Eighth International Workshop on Frontiers in Handwriting Recognition - - Trang 334-338
Chúng tôi (2002) đã nghiên cứu cách sử dụng mô hình Markov ẩn liên tục với hỗn hợp Gaussian (CDHMM) để mô hình hóa và nhận diện chữ Hán viết tay. Chúng tôi đã xác định và phát triển một tập hợp các kỹ thuật có thể được sử dụng để xây dựng một hệ thống nhận diện ngoài dây dựa trên CDHMM thực tiễn cho một từ vựng lớn của các ký tự chữ Hán viết tay. Chúng tôi đã báo cáo ở nơi khác về các kỹ thuật chí...... hiện toàn bộ #Vocabulary #Handwriting recognition #Hidden Markov models #Character recognition #Automatic speech recognition #Power system modeling #Information science #Computer science #Information systems #Context modeling
Dòng chảy chu kỳ ngẫu nhiên: các mô hình Markov không chặn Dịch bởi AI Journal of the Operational Research Society - Tập 49 - Trang 537-548 - 1998
Trong bài báo này, chúng tôi xem xét các dòng chảy chu kỳ ngẫu nhiên, nơi các bộ công việc đồng nhất được sản xuất lặp đi lặp lại theo cùng một trình tự nạp và gia công. Mỗi máy có một bộ đệm đầu vào với đủ dung tích. Thời gian gia công là ngẫu nhiên. Chúng tôi mô hình hóa cửa hàng như một đồ thị sự kiện ngẫu nhiên, một loại mạng Petri. Chúng tôi xác định điều kiện ergodicity và thời gian chu kỳ. ...... hiện toàn bộ #dòng chảy chu kỳ ngẫu nhiên #mạng Petri #mô hình Markov #độ dài hàng đợi #phương pháp hình học ma trận