详细推导HMM模型之:EM算法

本文详细介绍了HMM模型的参数估计,特别是通过EM算法在incomplete case中估计A、B、π的方法。首先回顾了前向和后向算法,然后阐述了EM算法在HMM中的应用,通过E-step和M-step不断迭代直至收敛,最终获得完整的模型参数。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

HMM模型介绍

本文将帮您深入浅出的彻底理解HMM模型架构和其中用于参数估计的EM算法,全文阅读大约需要10分钟,如果您希望亲自手推公式,则总耗时约20分钟。

EM算法可谓动态规划里的明珠。

本文为HMM系列的第三篇,第一篇请见
RNN的开端!最详细推导HMM模型+例子(一):维特比算法和模型建立
第二篇请见
RNN的开端!最详细推导HMM模型+例子(二):forward算法backward算法
如果你觉得这几篇文章有用,请不吝赐赞呀

本文为贪心学院课程的学习笔记,讲师为李文哲博士。

HMM参数估计

在第一篇文章中,我们介绍了如何通过complete case,即已知所有参数的情况下,求解维特比算法,从而获得隐藏状态z的序列。
现在我们将介绍,如何通过incomplete case转换成complete case,算法即是forward算法和backward算法,分别简称为F算法和B算法。

两种使用情景

通过第二篇文章的前向与后向算法,现在我们知道了 P ( z k ∣ x ) P(z_{k}|x)

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值