广西民族大学高级人工智能课程—头歌实践教学实践平台—隐马尔可夫模型

最新推荐文章于 2024-08-15 16:46:21 发布

gxmzuai

最新推荐文章于 2024-08-15 16:46:21 发布

阅读量1k

点赞数 21

分类专栏：高级人工智能文章标签：人工智能

本文链接：https://blog.csdn.net/gxmzuai/article/details/135149752

版权

这是一篇关于广西民族大学高级人工智能课程的实践教学内容，主要涉及隐马尔可夫模型（HMM）的学习。课程分为六个关卡，从HMM的基本思想、模型创建，到前向后向算法、Viterbi算法，再到词性标注的数据准备、模型计算和测试。学生将通过编程实践掌握HMM的相关知识和应用。

摘要由CSDN通过智能技术生成

第1关：隐马尔可夫模型基本思想

代码文件

import numpy as np
from hmmlearn import hmm
import math
from hmmlearn.hmm import GaussianHMM, GMMHMM

def getModel():
    # 任务1：创建 GaussianHMM 模型，用变量名model1标记
    # 创建 GMMHMM 模型，用变量名model2标记
    model1 = GaussianHMM()
    model2 = GMMHMM()

    # 任务2：根据提示设置 model1 的参数
    # 设置最大迭代次数为10
    model1.n_iter = 10
    # 设置隐藏状态数目为20
    model1.n_components = 20

    # 任务3：根据提示设置 model2 的参数
    # 设置最小方差为 0.5
    model2.min_covar = 0.5
    # 设置随机数种子为 8
    model2.random_state = 8
    
    return model1, model2

题目描述

任务描述

本关任务：编写一个能够基于 Python 创建出隐马尔可夫模型的小程序。

编程要求

根据提示，在右侧编辑器补充代码，根据提示完成对隐马尔可夫模型的创建，并指定相关的参数。

测试说明

平台会对你编写的代码进行测试：

测试输入：无；

预期输出：

您创建的 GaussianHMM 模型中，最大迭代次数为10，隐藏状态数目为20
您创建的 GMMHMM 模型中，最小方差为0.5，随机数种子为8
模型按要求构建成功，任务完成！

开始你的任务吧，祝你成功！

第2关：HMM 模型的前向与后向算法

代码文件

import numpy as np

def Forward(transition_probability, emission_probability, pi, obs_seq):
    """
    :param transition_probability: 状态转移矩阵
    :param emission_probability: 发射矩阵
    :param pi: 初始状态概率
    :param obs_seq: 观测状态序列
    :return: 返回结果
    """
    transition_probability = np.array(transition_probability)
    emission_probability = np.array(emission_probability)
    pi = np.array(pi)
    Row = transition_probability.shape[0]
    Col = len(obs_seq)

    F = np.zeros((Row, Col))
    F[:, 0] = pi * np.transpose(emission_probability[:, obs_seq[0]])
    for t in range(1, Col):
        for n in range(Row):
            F[n, t] = np.dot(F[:, t - 1], transition_probability[:, n]) * emission_probability[n, obs_seq[t]]
    
    return F

def Backward(transition_probability, emission_probability, pi, obs_seq):
    """
    :param transition_probability: 状态转移矩阵
    :param emission_probability: 发射矩阵
    :param pi: 初始状态概率
    :param obs_seq: 观测状态序列
    :return: 返回结果
    """
    transition_probability = np.array(transition_probability)
    emission_probability = np.array(emission_probability)
    pi = np.array(pi)

    Row = transition_probability.shape[0]
    Col = len(obs_seq)
    F = np.zeros((Row, Col))
    F[:, (Col - 1):] = 1
    for t in reversed(range(Col - 1)):
        for n in range(Row):
            F[n, t] = np.sum(F[:, t + 1] * transition_probability[n, :] * emission_probability[:, obs_seq[t + 1]])

    return F