zoukankan      html  css  js  c++  java
  • 隐马尔科夫模型-前向算法详细实例(秒杀目前网络上所有资料)-新手必备!

    HMM 有三个矩阵   初始状态矩阵  状态转移概率矩阵  隐态到显态转移概率矩阵    两个状态集合: 隐态(S1,S2,S3)  两个观测态(A,B)


    上图的意思是    三个状态互相转移的概率 分别为:(1,2,3分别指S1,S2,S3)

    1->1   P=0.4    1->2   P=0.6   2->2  P=0.8    2->3   P=0.2    3->3  P=1.0 


    隐态对应的显示态概率为

    S1     是A的概率为0.7   是B的概率为0.3

    S2     是A的概率为0.4   是B的概率为0.6

    S3     是A的概率为0.8   是B的概率为0.2




    当然初始概率矩阵π=(1,0,0),即开始处于状态1。按照上面的公式理论,我们的递推依次解出at(i)。解法如下:

         t=1时:

       

         t=2时:

       

    第一个计算式的解释:0.7是初始状态  0.4 是 (a11)S1->S1的概率,0.3是S1对应B的概率   (b1(B))

            第二个计算式的解释:0.7是初始状态  0.6 是 (a12)S1->S2的概率,0.3是S2对应B的概率   (b2(B))

         t=3时:

      

         t=4时:

     

    更正:最终结果图示 有问题     q1 q2 是正确的  , 从q3 开始  0.4*0.3  应该改为  0.4*0.7    




    如果还有问题,可以联系我,共同讨论哈

  • 相关阅读:
    两个简单的画验证码图形程序
    Cisco路由技术基础知识详解
    网络管理中的常用命令
    网络管理中的常用命令
    基于SNMP的MIB库访问实现
    SNMP编程基础
    SNMP编程基础
    Cisco路由技术基础知识详解
    两个简单的画验证码图形程序
    模版方法
  • 原文地址:https://www.cnblogs.com/aukle/p/3230942.html
Copyright © 2011-2022 走看看