Python隐形马尔科夫实战_隐型马尔科夫模型(HMM)向前算法实例讲解(暴力求解+代码实现)---盒子模型...

先来解释一下HMM的向前算法：

前向后向算法是前向算法和后向算法的统称，这两个算法都可以用来求HMM观测序列的概率。我们先来看看前向算法是如何求解这个问题的。

前向算法本质上属于动态规划的算法，也就是我们要通过找到局部状态递推的公式，这样一步步的从子问题的最优解拓展到整个问题的最优解。在这里我们认为随机过程中各个状态St的概率分布，只与它的前一个状态St-1有关，同时任何时刻的观察状态只仅仅依赖于当前时刻的隐藏状态。

在t时刻我们定义观察状态的概率为：

αt(i)=P(o1,o2,...ot,it=qi|λ)

从下图可以看出，我们可以基于时刻t时各个隐藏状态的前向概率，再乘以对应的状态转移概率，即αt(j)aji就是在时刻t观测到o1,o2,...ot，即时刻t隐藏状态qj,qj总和再乘以该时刻的发射概率得到时刻t+1隐藏状态qi的概率。

下面总结下前向算法。

输入：HMM模型λ=(A,B,Π)λ=(A,B,Π)，观测序列O=(o1,o2,...oT)

输出：观测序列概率P(O|λ)

1) 计算时刻1的各个隐藏状态前向概率：

α1(i)=πibi(o1),i=1,2,...N

2) 递推时刻2,3,...T时刻的前向概率：

3) 计算最终结果：

从递推公式可以看出，我们的算法时间复杂度是