machine-learning - 隐马尔可夫模型下一个状态仅取决于前一个状态？之前的n个状态呢？

Question

我正在开发一个原型(prototype)框架。

基本上，我需要根据每个人的一些传感器数据(例如 GPS、运动、心率、周围环境读数、温度等)为每个人的生活方式生成模型或配置文件。

所提出的模型或概况是个人生活方式模式的知识表示。也许是一个带有概率的图表。

我正在考虑使用隐马尔可夫模型来实现这一点。由于HMM中的状态可以是工作、 sleep 、休闲、运动等。观察可以是一组各种传感器数据。

我对HMM的理解是下一个状态S(t)仅取决于前一个状态S(t-1)。然而实际上，一个人的事件可能取决于之前的 n 个状态。使用 HMM 仍然是一个好主意吗？或者我应该使用其他一些更合适的模型？我看过一些关于二阶和多阶马尔可夫链的工作，它也适用于 HMM 吗？

如果您能给我详细的解释，我真的很感激。

谢谢!!

Answer 1

您所说的是一阶 HMM，其中您的模型仅了解先前的历史状态。对于 n 阶马尔可夫模型，下一个状态将取决于之前的“n”个状态，这可能就是您正在寻找的，对吗？

你是对的，就考虑简单的 HMM 而言，下一个状态仅取决于当前状态。然而，也可以通过定义转移概率来实现 m 阶 HMM，如图 in this link 所示。 。然而，随着阶数的增加，矩阵的整体复杂性以及模型的复杂性也会增加，因此，如果您愿意接受挑战并愿意付出必要的努力，这实际上取决于您。