Hidden Markov Model(HMM) 개요

일단 기본 바탕 지식으로 HMM에 대해서 부터 정리!

정리한 사이트는.. http://en.wikipedia.org/wiki/Hidden_Markov_model


Hidden Markov Model(HMM)

- HMM 은...
  - 알려지지 않은 파라미터들을 Markov 프로세스를 이용해서 설계되는 통계적 모델!
    // Markov 프로세스가 뭐지?
  - 알려지지 않은 파라미터들은 관측 가능한 파라미터들을 통해서 추론한다.
  - 패턴인식과 같은 분야에서 활용 될수 있다.
  - 가장 간단한 DBN이다.

// 뭐 개념은 무언가 심오한듯하다. 역시 일단 이해하려면 그림부터 봐야된다..

HMM

/* 그림을 보면 뭔가 노드가 동그라미랑 사각형이 있고 에지도 a랑 b가 따로 있다..(X들 사이는 a, X->Y는 b의 에지..) 동그라미는 알려지지 않은 파라미터들이고, 네모는 알려진 파라미터여서, 아마, 네모로 동그라미를 추론하고 동그라미들끼리 왔다갔다 하지 않을까 생각한다. a는 상태사이에서 이동을 하는 확률값이고 b는 상태출력에 대한 확률값..그러니깐 y들을 통해서 X를 추론하는거는 베이지안 네트워크를 이용하는거고, X사이의 이동은 a확률값에 따라서 할텐데...그럼 상태 별로 왔다갔다 할 수 있으니 패턴인식에서도 쓰일 수 있을테고.. 옛날에 얼핏 들었던대로 시간의 흐름도 고려한다는 것도 가능할 것 같다. 그럼 각 상태는 재귀적인 에지를 가지고 있어햐할 것 같기도 하고, 시간의 term에 대한 고려도 있으면 좋을 것 같기도 하다. 상태 사이에서 확률을 따라서 어떻게 이동을 하는지는 좀 더 지켜봐야할 것 같다. 아직 내부에서 어떻게 돌아가는지는 잘 모르니까 조금식 알아가야겠다. (Markov process에 대해서는 나중에 조사!) */


- 보통 Markov model은 상태(X)가 보이니깐 상태사이의 확률값만 있으면 되는 것이고, HMM은 상태가 바로 보이는 것이 아니지만 관측 가능한 상태들을 이용해서 추론할 수 있다. 따라서 입력값들을 통해서 상태들의 순서에 대한 결과로 나타낼 수 있다.
  - 음성, 필체, 제스쳐 인식, 음악이나 바이오인포매틱스에서도 이용 가능하다.

  /* 이래서 "Hidden" MM! 그냥 MM은 오토마타같이 상태 간의 이동에 확률 값을 준 것일듯 하고(나중에 정리), MM에서 상태에 대한 직접적으로 볼 수 없으니깐, 관측 가능한 값들을 이용해서 상태를 추론하는 것.. 그럼 센서 값들을 통해서 현재의 상태에 대해서 추론하고 그 상태가 어떻게 이동 했느냐에 따라 패턴을 인식하는 것일텐데...X가 현재의 상태이고 X의 순서에 따라서 전체적인 동작을 추론해낼수도 있을 것 같다. */


/////

다음 : HMM 구조와 확률 값 구하기