隐马尔可夫模型观察序列的生成——Python实现

观测序列生成算法

输入：隐马尔可夫模型$\lambda =(A,B,\pi )$
输出：观测序列$O=(o_1,o_2,...,o_T)$
（1）按照初始状态分布$\pi$产生状态$i_1$
（2）令$t=1$
（3）按照状态$i_t$的观测概率分布${b_i}_t(k)$生成$o_t$
（4）按照状态$i_t$的状态转移概率分布{$a_{itit+1}$}产生状态$i_{t+1},i_{t+1}=1,2,...,N$
（5）令$t=t+1$，如果$t<T$，转步（3），否则，终止。

代码实现

import numpy as np
def hmm_obs_seq(Q, V, A, B, pi, T):
    """
    :param Q: 状态集合
    :param V: 观测集合
    :param A: 状态转移概率矩阵
    :param B: 观察概率矩阵
    :param pi: 初始概率分布
    :param T: 观察序列和状态序列的长度
    """
    q_0 = np.random.choice(Q, size=1, p=pi)
    o_0 = list(np.random.choice(V, size=1, p=B[Q.index(q_0)]))
    o_t = []
    o_t.extend(o_0)
    for t in range(1, T):
        q_t = np.random.choice(Q, size=1, p=A[Q.index(q_0)])
        o_t.extend(np.random.choice(V, size=1, p=B[Q.index(q_t)]))
    return o_t
# 《统计学习方法》中的例子
Q = [1, 2, 3, 4]
V = ['红', '白']
A = np.array([[0, 1, 0, 0], [0.4, 0, 0.6, 0], [0, 0.4, 0, 0.6], [0, 0, 0.5, 0.5]])
B = np.array([[0.5, 0.5], [0.3, 0.7], [0.6, 0.4], [0.8, 0.2]])
pi = [0.25, 0.25, 0.25, 0.25]
T = 5
print(hmm_obs_seq(Q, V, A, B, pi, T))