17、序列数据模型：隐马尔可夫模型与条件随机场详解

序列数据模型：隐马尔可夫模型与条件随机场详解

1. 对数概率计算

在给定状态序列和预定义的 λ 模型的情况下，计算观察到特定序列的概率的对数，代码如下：

def logProb: Double = foldLeft(lambda.getT, (s, t)
                    => s + Math.log(ct(t)), Math.log(alpha))//9

此方法计算概率的对数而非概率本身，因为概率对数的求和比概率的乘积更不容易导致下溢。

2. Beta 类（反向变量）

Beta 值的递归计算与 Alpha 类类似，只是在状态序列上的迭代是反向进行的。其实现步骤如下：
1. 计算 [M5] 并对 t=0 时跨状态的 beta 值进行归一化 [M6]。
2. 迭代计算并归一化从时间 T - 1 到 t 的 beta 值，该值从 t + 1 时的值更新而来 [M7]。

具体公式如下：
- M5：Beta 的初始化：βT - 1(t) = 1
- M6：初始 beta 值的归一化：
(\hat{\beta} {T - 1}(i)=\frac{\beta {T - 1}(i)}{\sum_{j = 0}^{N - 1}\beta_{T - 1}(j)})
- M7：Beta 的归一化求和：
(\hat{\beta} {t}(i)=\frac{1}{c {t}}\sum_{j = 0}^{N - 1}a_{i