zoukankan      html  css  js  c++  java
  • 隐马尔可夫模型(七)——隐马尔可夫模型的学习问题(前向后向算法)(转载)

    隐马尔可夫模型的学习问题:给定一个输出序列O=O1O2...OT,如何调节模型μ=(A,B,π)的参数,使得P(O|M)最大。

          最大似然估计是一种解决方法,如果产生的状态序列为Q=q1q2...qT,根据最大似然估计,可以通过以下公式推算:

            πi‘ = δ(q1,si)

            aij' =  Q中从状态qi转移到qj的次数/Q中从状态qi转移到另一状态(包括qj)的次数

                 

            bj(k)' = Q中从状态qj发出符号Vk的次数/ Q中到达状态qj的次数

                     

          δ(x,y)为克罗奈克函数,当x=y时,δ(x,y)=1;否则,δ(x,y)=0

          但是注意,在实际中,状态Q=q1q2...qT是观察不到的(隐变量),因此上述的这种求法是有问题的。幸好希望最大化,可以用于含有隐变量的统计模型的参数最大似然估计。基本思想是初始时,随机的给模型参数赋值,但是要遵循模型对参数的限制,例如,从一个状态发出的所有状态转移概率之和为1,得到模型μ0。然后根据μ0中的具体值,带入下式,可以得到u1.依次往下迭代,直到收敛于最大似然估计值。这种迭代爬山算法可以局部使P(O|μ)最大。称为Baum-Welch算法或前向后向算法。

          给定HMM的参数μ和观察序列O=O1O2...OT,在时间t位于状态si,在时间t+1位于状态sj的概率为ξt(i,j)=P(qt=si,qt+1=sj|O,μ),公式推导如下:

                   ................(1)

           给定HMM μ 和序列O=O1O2...OT,在时间t位于状态si的概率为:.........(2)

           这样求μ的参数估计重新改写:

            πi‘ = r1(i) ...........(3)

            aij' =  Q中从状态qi转移到qj的次数/Q中从状态qi转移到另一状态(包括qj)的次数

                 = ..........(4)

                 

            bj(k)' = Q中从状态qj发出符号Vk的次数/ Q中到达状态qj的次数

                     = ..............(5)

    前向后项算法

         step1 初始化: 随机地给定参数 πi, aij, bj(k),使其满足条件:

                           

                           由此得到μ0,令i=0

          step2 EM计算:

                       E步骤:根据(1)(2)式计算期望ξt(i,j) 和 rt(i)

                       M步骤:根据期望ξt(i,j) 和 rt(i),带入(3)(4)(5)重新得到πi, aij, bj(k),得到μi+1

           step3 循环计算: i = i+1, 直到πi, aij, bj(k)收敛

  • 相关阅读:
    转: SSH框架总结(框架分析+环境搭建+实例源码下载)
    转:ClickOnce部署Winform程序的方方面面
    转:在决定使用ClickOnce发布你的软件前,应该知道的一些事情(一些常见问题解决方法)
    转: c#.net利用RNGCryptoServiceProvider产生任意范围强随机数的办法
    转:winform 安装包(很详细)
    转:c# WinForm开发 DataGridView控件的各种操作总结(单元格操作,属性设置)
    转:C# WinForm窗体及其控件的自适应
    转:c# 安装包制作
    转:socket
    MyEclipse 智能提示设置
  • 原文地址:https://www.cnblogs.com/jason-wyf/p/6219116.html
Copyright © 2011-2022 走看看