##  [Hidden-Markov-Modell](/de/node/71906) 

 Definition

Ein stochastisches Modell, bei dem eine diskrete, latente Markow-Kette {S_t} mit gegebenen Übergangswahrscheinlichkeiten verläuft und jeder versteckte Zustand beobachtbare Ausgaben entsprechend einer zustandsabhängigen Wahrscheinlichkeitsverteilung erzeugt; Inferenz und Lernen zielen darauf ab, die Posteriorverteilung über die versteckten Zustände gegeben die Beobachtungen zu bestimmen bzw. Übergangs- und Emissionsparameter aus Daten zu schätzen.

 

 

 

 

 

 





## Prinzip

Prinzip

Zeitliche bedingte Unabhängigkeit: gegeben den aktuellen verborgenen Zustand S_t ist die Beobachtung zur Zeit t unabhängig von vergangenen und zukünftigen Beobachtungen und Zuständen außer durch S_t; die verborgenen Zustände erfüllen die Markow-Eigenschaft (P(S_t | S_{t-1},...) = P(S_t | S_{t-1})).

 

 

 

 

 





## Demonstration

Demonstration

Illustratives Szenario → Eine Folge akustischer Merkmalsvektoren wird als Emissionen einer unobservierten Folge von Phonemzuständen modelliert; Erkennung erfolgt durch Berechnung von P(S_{1:T} | Beobachtungen) mittels Forward–Backward (Sum–Product)-Algorithmus oder Viterbi für den wahrscheinlichsten Zustandsweg; Parameterschätzung kann mit Baum–Welch (EM) auf annotierten oder unbeobachteten Sequenzen erfolgen.

 

 

 

 

## Fehlanwendung

Fehlanwendung

Die beobachtete Folge als Markow-Prozess zu behandeln und Übergangszahlen der Beobachtungen direkt zur Inferenz der latenten Struktur zu verwenden; das verwechselt beobachtbare Übergänge mit latenten Zustandstransitionen und kann bei verrauschten oder many-to-one-Emissionen zu verzerrten Zustandsabschätzungen führen.

 

 

 

 

 





## Konsequenz

Konsequenz

Bei korrekter Spezifikation erlaubt ein HMM die prinzipielle Inferenz latenter Zustandsverläufe, Segmentierung von Sequenzen und Schätzung generativer Parameter; bei Fehlanpassung (falscher Zustandsraum, ungeeignete Emissionsfamilie, Verletzung der Markow-Annahme) sind Inferenz und Lernen systematisch verzerrt und die Vorhersageleistung reduziert.

 

 

 

 

## Umkehrung

Umkehrung

Die üblichen HMM-Annahmen versagen, wenn die latente Dynamik nicht markowian ist, Zustandsdauern keine geometrische Verteilung haben (erfordern Hidden‑Semi‑Markov‑Modelle) oder latente Variablen kontinuierlich sind (Kalman‑Modelle); in solchen Fällen sind andere Modellklassen oder augmentierte Zustandsdarstellungen erforderlich.

 

 

 

 

 





## Abgrenzung

Abgrenzung

Clearly within: diskrete Zeit, endlicher Zustandsraum mit emissions pro Zeitschritt. Boundary case: Modelle mit expliziter Dauer (HSMM) oder zustandsabhängigen autoregressiven Emissionen. Clearly outside: Modelle mit kontinuierlichen latenten Variablen und linearen gaußschen Dynamiken (Kalman‑Filter) oder Modelle ohne latenten generativen Zustand.

 

 

 

 

 





## Semantische Spannung

Semantische Spannung

Ausdruckskraft (reichere Zustandsräume oder Emissionsmodelle) versus Rechenbarkeit (exakte Inferenz verlangt geringe treewidth oder spezielle Algorithmen); höhere Flexibilität geht meist mit höheren Rechen- und Identifizierungsproblemen einher.

 

 

 

 

 





## Synthese

Synthese

Ein HMM trennt qualitative zeitliche Struktur (markowianer latenter Prozess) von quantitativen Beobachtungsmodellen (Emissionen); diese Trennung ermöglicht effiziente Inferenzalgorithmen, sofern die Annahmen gelten, und zugleich begrenzt die Anwendbarkeit des Modells.