HMM-维特比算法(viterbi)原理以及简单实现

学习目标：

概率图模型

---

学习内容：

HMM算法（隐马尔科夫模型）中的维特比算法

---

学习记录：

维特比算法步骤：
1.初始化

2.递推

3.终止

4、最优路径回溯

解释一下：我们要得到最优路径，viterbi采用的式局部最优来解决，每一次都取时间t到时间t+1的概率最大的路径。开始要初始化，先计算t=1时的概率 δ1（1），δ1（2），δ1（3）。令φ1（1）=0，φ1（2）=0，φ1（3）=0。再计算从t=1时刻到t=2时刻每一个状态改变到下一个状态的概率（即状态转移矩阵）选出每个状态中最大的来作为φ2（i）存起来作为最佳局部路径。递推下去，终止的时候P*即为实现该最佳局部路径的概率。再最佳路径回溯回去，找到其路径。

看一个案子

这里把第一天去迪士尼，第二天还在迪士尼的概率改成0.5。

代码实现：

import numpy as np


def Viterbi(A, B, PI, V, Q, obs):
    # V观测集合（买不买），Q状态集合（哪个地方）
    N = len(Q)
    T = len(obs)
    delta = np.array([[0] * N