viterbi java_viterbi 维特比解码过程，状态转移矩阵

viterbi过程

1.hmm类似。 状态转移，发射概率

2.逐次计算每个序列节点的所有状态下的概率值，最大概率值对应的index。

3.概率值的计算，上一个节点的概率值*转移概率+当前概率值。

4.最后取出最大的一个值对应的indexes

难点： 理解viterbi的核心点，在于每个时间步都保留每一个可视状态，每一个可视状态保留上一个时间步的最大隐状态转移，

每一个时间步t记录上一个最大概率转移过来的时间步t-1的信息，包括index/概率值累积。

迭代完时间步，根据最后一个最大累积概率值，逐个往前找即可。 根据index对应的状态逐个往前找。

应用： 状态转移求解最佳转移路径。 只要连续时间步，每个时间步有状态分布，前后时间步之间有状态转移，就可以使用viterbi进行最佳状态转移计算求解。

状态转移矩阵的作用在于 在每个状态转移概率计算时，和固有的状态转移矩阵进行加和，再计算。相当于额外的概率添加。

import numpy as np

def viterbi_decode(score, transition_params):

"""

保留所有可视状态下，对seqlen中的每一步的所有可视状态情况下的中间状态求解概率最大值，如此

:param score:

:param transition_params:

:return:

"""

# score [seqlen,taglen] transition_params [taglen,taglen]

trellis=np.zeros_like(score)

trellis[0]=score[0]

backpointers=np.zeros_like(score,dtype=np.int32)

for t in range(1,len(score)):

matrix_node=np.expand_dims(trellis[t-1],axis=1)+transition_params #axis=0 代表发射概率初始状态

trellis[t]=score[t]+np.max(matrix_node,axis=0)

backpointers[t]=np.argmax(matrix_node,axis=0)

viterbi=[np.argmax(trellis[-1],axis=0)]

for backpointer in reversed(backpointers[1:]):

viterbi.append(backpointer[viterbi[-1]])

viterbi_score = np.max(trellis[-1])

viterbi.reverse()

print(trellis)

return viterbi,viterbi_score

def