【机器学习】隐马尔可夫模型及其三个基本问题（二）观测序列概率计算算法及python实现

隐马尔可夫（HMM）模型的第一个基本问题是评估观测序列概率：
给定模型 $\lambda =\left[A,B,\prod \right]$和观测序列 X = { x 1 , x 2 , ⋯   , x n } X = \left\{ { {x_1},{x_2}, \cdots ,{x_n}} \right\} X={ x1​,x2​,⋯,xn​}，计算模型 $\lambda$下观测序列 $X$出现的概率 $P\left(X|\lambda \right)$。

一、前向算法

1、前向概率：给定隐马尔可夫模型$\lambda$，到时刻$t$为止，观测序列为 { x 1 , x 2 , ⋯   , x t } \left\{ { {x_1},{x_2}, \cdots ,{x_t}} \right\} { x1​,x2​,⋯,xt​}，且时刻$t$的隐藏状态$y_t=q_i$的概率为前向概率，记为：
${\alpha }_t\left(i\right)=P\left(x_1,x_2,\cdots ,x_t,y_t=q_i|\lambda \right)$

2、前向算法是一个递推过程，具体步骤如下：

输入：隐马尔可夫模型$\lambda$，观测序列$X$。
输出：观测序列概率$P\left(X|\lambda \right)$。
（1）初始化：${\alpha }_1(i)={\pi }_i{b}_i(x_1)$，$i=1,2,\cdots ,N$

（2）递推：$t$ $from$ $1$ $to$ $n-1$

α t + 1 ( i ) = [ ∑ j = 1 N α t