第三章 概率密度函数的参数估计

π = (π 1 ,L, π M )
a11 a 21 A= M a M1
a12 a22 M aM 2
L a1M L a2 M O M L aMM
一阶Markov模型输出状态序 模型输出状态序 一阶 列的概率
模型输出状态序列的概率可以由初始状态 概率与各次状态转移概率相乘得到。 例如：W5=w1, w1, w3, w1, w2，则模型输出 该序列的概率为：
贝叶斯估计的一般理论
由于参数矢量θ是一个随机变量，所以类 θ 条件概率可以用下式计算：
p ( x D ) = ∫ p ( x, θ D ) dθ = ∫ p ( x θ ) p ( θ D ) dθ
根据贝叶斯公式，有：
p (θ D ) =
∫ p ( D θ ) p ( θ ) dθ ∫ ∏ p ( x θ ) p ( θ ) dθ
最大似然估计(MLE, Maximum Likelihood Estimation)； 贝叶斯估计(Bayesian Estimation)。
非参数估计方法。
3.1 最大似然估计
样本集D中包含n个样本：x1，x2， …, xn， 样本都是独立同分布的随机变量(i.i.d， independent identically distributed)。 对类条件概率密度函数的函数形式作出假设， 参数可以表示为参数矢量θ： θ
θ
i 1
)
基本EM算法 算法 基本
1.
begin initialize θ0，T，i
0；
2. 3. 4. 5. 6.
do i i+1
until Q ( θi+1 θi ) Q ( θi θi 1 ) ≤ T
) M步： = arg max Q ( θ θ ) θ
E步：计算 Q θ θi 1 ;
i θ i 1
i =1 M
GMM模型产生的 维样本数据 模型产生的2维样本数据 模型产生的
两个高斯函数的混合
p ( x ) = 0.7 N ( 10, 2 ) + 0.3N (5,3)
混合密度模型的参数估计
混合密度模型的参数可以表示为：
θ = ( a1 , a2 ,L, aM , θ1 , θ 2 ,L, θ M )
3.2 贝叶斯估计
已有独立同分布训练样本集D； 已知类条件概率密度函数p(x|θ)的形式， 但参数θ未知； 已知参数θ的先验概率密度函数p(θ)；
求在已有训练样本集D的条件下，类条件 概率密度函数p(x|D)。
贝叶斯估计与最大似然估计 的差别
最大似然估计认为θ是一个确定的未知 θ 矢量； 贝叶斯估计认为θ是一个随机变量，以 θ 一定的概率分布取所有可能的值。
基本EM算法 算法 基本
由于Y未知，因此我们需要寻找到一个在Y 的所有可能情况下，平均意义下的似然函 数最大值，即似然函数对Y的期望的最大 值：
Q ( θ θi 1 ) = EY l ( θ X, Y ) X, θi 1
= EY
i
( ) ( ln p ( X, Y θ ) X, θ )
i 1
θ = arg max Q ( θ θ
2 2 2 1 σ 2 +σ 2 σ n x + σ n n f (σ ,σ n ) = ∫ exp du 2 2 2 2 σ +σn 2 σ σn
3.3期望最大化算法 期望最大化算法(EM算法 算法) 期望最大化算法 算法
EM算法的应用可以分为两个方面：
1.
训练样本中某些特征丢失情况下，分 布参数的最大似然估计； 对某些复杂分布模型假设，最大似然 估计很难得到解析解时的迭代算法。
i =1 i
p ( D θ) p (θ )
=
∏ p ( x θ)p (θ)
i =1 n i
n
单变量正态分布的贝叶斯估 计
已知概率密度函数满足正态分布，其中方 差σ2已知，均值μ未知，假设μ的先验 概率满足正态分布，即：
p(x )
N ( ,σ
2
p( )
2 N ( 0 , σ 0
) )
均值的后验概率
参数的估计方法：
1.
2.
利用最优化方法直接对似然函数进行优化， 如梯度下降法； 引入未知隐变量Y对问题进行简化，将Y 看作丢失的数据，使用EM算法进行优化。
GMM模型的参数估计 模型的参数估计
首先引入隐含数据集合: Y = { y1 , y2 ,L, yn }
y 其中：i ∈ {1,L , M } 代表第i个训练样本是 由第 yi 个高斯函数产生的，将Y作为丢失 Y 数据集合，采用EM算法进行迭代估计。
最大似然估计
最大似然估计就是要寻找到一个最 优矢量 θ ，使得似然函数 l ( θ) 最大。
θ = arg max l ( θ )
θ
正态分布的似然估计
Gauss分布的参数由均值矢量μ和协方差 μ 矩阵Σ构成，最大似然估计结果为： Σ
1 n = ∑ xi n i =1
1 n t Σ = ∑ ( xi )( xi ) n i=1
2 n 2 0 2 0 2
均值分布的变化
类条件概率密度的计算
p ( x D) = ∫ p ( x ) p ( D) d
=∫ 1 2 1 x 2 1 1 n exp exp d 2πσ 2 σn 2 σ 2πσ n
1 ( x n )2 f (σ , σ n ) = exp 2 2 2πσσ n 2 σ +σn
V = v1 , v2 ,L , vT
T
其中的vi为一个特征矢量，称为一个观 察值。
一阶Markov模型 模型 一阶
一阶Markov模型由M个状态构成，在每个时刻t， 模型处于某个状态w(t)，经过T个时刻，产生出 一个长度为T的状态序列WT=w(1),…,w(T)。
一阶Markov模型的状态转移 模型的状态转移 一阶
隐含Markov模型 (Hidden Markov Model, HMM)
有一些模式识别系统处理的是与时间相 关的问题，如语音识别，手势识别，唇 读系统等； 对这类问题采用一个特征矢量序列描述 比较方便，这类问题的识别HMM取得 了很好的效果。
输入语音波形
观察序列
信号的特征需要用一个特征矢量的序列 来表示：
估值问题的计算
P WrT θ = π wr (1) awr (1)wr ( 2) awr ( 2) wr ( 3) L awr (T 1)wr (T )
P V T WrT
(
(
) ) = b ( ) ( v (1)) b ( ) ( v ( 2 ))Lb ( ) ( v (T ) )
wr 1 wr 2 wr T
p ( x ωi , θi )
似然函数
由独立同分布假设，样本集D出现的概率为：
p ( D θ ) = p ( x1 , x 2 ,L, x n θ ) = ∏ p ( xi θ )
i =1 n
定义对数似然函数：
l ( θ ) = ln p ( D θ ) = ∑ ln p ( xi θ )
i =1 n
HMM的工作过程 的工作过程
HMM的参数表示 的参数表示
θ = ( π, A, B )
状态转移矩阵：A，M*M的方阵； 状态输出概率：B，M*K的矩阵； 初始概率：π，包括M个元素。 M个状态，K个可能的输出值。
HMM的三个核心问题 的三个核心问题
估值问题：已有一个HMM模型，其参数已知， 估值问题 计算这个模型输出特定的观察序列VT的概率； 解码问题：已有一个HMM模型，其参数已知， 解码问题 计算最有可能输出特定的观察序列VT的隐状态转 移序列WT； 学习问题：已知一个HMM模型的结构，其参数 学习问题 未知，根据一组训练序列对参数进行训练；
GMM参数的 估计算法 参数的EM估计算法 参数的
1.
2.
设定混合模型数M，初始化模型参数 θ0，阈值T， i 0； 用下列公式迭代计算模型参数，直到似然函数变化 小于T为止：
i am pm ( xt θim )
p ( m xt , θi ) =
∑a p (x
M j =1 i j j
t
θij )
1 n i am+1 = ∑ p ( m xt , θi ) n t =1
(
return θ = θi+1
混合密度模型
一个复杂的概率密度分布函数可以由多个 简单的密度函数混合构成：
p ( x θ ) = ∑ ai pi ( x θi ),
i =1 M
∑a
i =1
M
i
=1
最常用的是高斯混合模型(GMM，Gauss Mixture Model)：
p ( x ) = ∑ ai N ( x; i , Σi )
第三章 概率密度函 数的参数估计
3.0 引言
贝叶斯分类器中最主要的问题是类条件概 率密度函数的估计。 问题可以表示为：已有c个类别的训练样 本集合D1，D2，…，Dc，求取每个类别的 类条件概率密度 p ( x ωi ) 。
概率密度函数的估计方法
参数估计方法：预先假设每一个类别的概 率密度函数的形式已知，而具体的参数未 知；
i +1 m
=
∑ xt p ( m xt , θ
n t =1 n i t =1 t
i
)
∑ p (m x ,θ )
+ Σim 1 =
∑ p ( m x , θ )( x
n i t =1 t n t =1
t
t
i +1 m i
)( x
t
i +1 m)来自t∑ p (m x ,θ )
EM算法的性质
EM算法具有收敛性； EM算法只能保证收敛于似然函数的局 部最大值点（极值点），而不能保证收 敛于全局最优点。