HMM的训练

我想，对大多数时候，尤其是将HMM用在视频数据的处理中时，主要是利用BaumWelch算法进行学习训练的应用，即HMM的第三个问题的解决。根据样本训练HMM中的三组参数。

 

在训练过程中，需要的样本是标注好的，这样的话，当然是没有问题的。可利用无监督也可以实现训练学习吧，只是听52nlp上说，无监督时效果肯定不好。具体也没多分析，我在想到底有什么不好呢？还有在HMM的训练学习过程中，其实有点类似于EM算法的实现，初始化的选择很重要，那么有什么需要注意的吗？这个也没有找到答案。

 

在以前看的关于视频数据的处理中，涉及到HMM的部分，均是首先利用分类算法实现分类，而后对分类好的样本，即已有标注的样本，用HMM进行建模，学习得到HMM的参数，这和用GMM进行建模有点类似。但是，不同的是，有状态转移时间上的一个坐标。

 

但是，我现在比较关注的是HMM在非监督训练学习上的应用。因为是非监督的模型结构。

 

有很多问题存在，大概也是我眼高手低，不是说，“纸上得来终觉浅，绝知此事要躬行”嘛。

 

 

 

 

昨天看<算法>，看到data structure一章，觉得写的不错，正是写到我的实际情况了。说data的结构选择非常重要，并不是说是程序的一个小部分，有时候data structure选择好了，程序就实现了大半，能够提高程序的运行效果和运行效率。其实，无论是什么程序，尤其是越复杂的程序，在编程前，总是要尽量想要需要多少变量，这些量要是什么结构的。这个非常重要的，而且我觉得随着编程能力提高和对算法本身认识的深入，编程时data structure的选择会越来越觉得重要，好的data structure使得程序可读性强，可靠。而不好的data structure，会使得程序非常不容易读懂，同时由于结构性差，使得Data之间的关系非常混乱，这也为程序的可靠性带来了难度。想想就知道，很乱的一大团data structures，单单这些data之间的关系就难以捋顺了，就别说要使用和调用了。