48、隐马尔可夫模型及其相关模型深入解析

隐马尔可夫模型及其相关模型深入解析

1. 隐马尔可夫模型基础应用示例

1.1 机器人跟踪中的滤波与平滑

在机器人跟踪场景中，使用具有 $S = 50$ 的隐马尔可夫模型（HMM）进行滤波与平滑操作。图 23.9 展示了相关情况：
- 真实与测量位置 ：图 (a) 呈现了 HMM 的一个实现示例，其中点表示机器人的真实潜在位置，空心圆表示有噪声的测量位置。
- 滤波分布 ：图 (b) 中的方块表示每个时间步 $t$ 的滤波分布 $p(h_t|v_{1:t})$，该概率与灰度值成正比，黑色对应 1，白色对应 0。在最初的时间步，后验分布是多峰的，因此无法准确估计真实位置。
- 平滑分布 ：图 (c) 中的方块表示每个时间步 $t$ 的平滑分布 $p(t|v_{1:T})$。对于 $t < T$ 的情况，我们可以回顾性地估计位置，与滤波估计相比，不确定性显著降低。

1.2 “粗手指”打字示例

假设有一个“粗手指”打字员，他倾向于按下正确的键或相邻的键。为了简化，假设键盘有 27 个键，即小写字母 a 到 z 和空格键。我们使用发射分布 $B_{ij} = p(v = i|h = j)$ 来建模，其中 $i = 1, \ldots, 27$，$j = 1, \ldots, 27$。通过字母到字母频率的数据库，可以得到英语中的转移矩阵 $A_{ij} = p(h’ = i|h = j)$。假设 $p(h_1)$ 是均匀分布，且每次按键只产生一次敲击。

对于输入的打字序列“kezrninh”，通过