隐马尔可夫之前向算法

目录

一、前向算法

定义

过程

过程解析

二、例题

问题

答案

三、代码

一、前向算法

定义

过程

过程解析

二、例题

问题

答案

三、代码

import numpy as np

# Q:状态集合  V:观测集合
Q = [1, 2, 3]  # 共3个箱子
V = [0, 1]  # 0:红 1：白

# A：状态转移概率矩阵  B：观测概率矩阵
A = [[0.5, 0.2, 0.3], [0.3, 0.5, 0.2], [0.2, 0.3, 0.5]]
B = [[0.5, 0.5], [0.4, 0.6], [0.7, 0.3]]
Pi = [0.2, 0.4, 0.4]
O = [0, 1, 0]  # （红白红）

# N是可能的观测数  M是可能的状态数
N = len(Q)
M = len(V)
T = len(O)

alphas = np.zeros((N, T))


def forward():
    for t in range(T):
        idx = V.index(O[t])
        for i in range(N):
            if t == 0:
                alphas[i][t] = Pi[i] * B[i][idx]
                print(alphas[i][t])
            else:
                alphas[i][t] = np.dot([alpha[t - 1] for alpha in alphas], [a[i] for a in A]) * B[i][idx]
    P = np.sum(alpha[T - 1] for alpha in alphas)
    return P


if __name__ == '__main__':
    P = forward()

add:

 

 

 

 资料：李航《统计学习方法》