HMM的学习笔记1:前向算法

HMM的学习笔记

 

HMM是关于时序的概率模型,描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列,再由各个状态生成不可观测的状态随机序列,再由各个状态生成一个观测而产生观测的随机过程。

HMM由两个状态和三个集合构成。他们分别是观测状态序列,隐藏状态序列,转移概率,初始概率和混淆矩阵(观察值概率矩阵)。

HMM三个假设

1、有限历史性假设,p(si|si-1,si-2,...,s1) = p(si|si-1)

2、齐次性假设,(状态与具体时间无关),P(si+1|si)=p(sj+1,sj)

3、输出独立性假设,输出仅与当前状态有关,P(o1,...ot|s1,...st) = P(ot|qt)

 

HMM需要解决三个问题:

1:评估问题,也就是给定一个观测序列,求它的概率;

2:解码问题,通过维特比算法来做解码,求概率最大的隐藏概率;

3:学习问题,通过观测序列求参数;

 

现在针对第一个评估问题,通常我们采用前项算法来计算观测序列的概率;



为了解决这个时间复杂度比价高的问题,首先定义一个前向变量,便是从1到t,输出符号O序列,t时刻处于状态i的累计输出概率。


这里每一次的at(i),我们是通过at(ij-1)来计算的,这样避免了重复计算。

 状态转移概率矩阵


混淆概率矩阵

还有一个初始概率矩阵我们设为(1,0, 0)吧。

有了他们我们就可以计算at(i)。

 

 

这个过程说白了就是从某个点开始,几次计算到下一个点的概率,然后累加到下一个点上去。这里要注意的一点是初始的那个点计算,只是初始矩阵和混淆矩阵的运算(不涉及转移的过程)。

代码实现了一下前项算法:

和我们手工的计算一样

 

int get_index(char sz)
{
	if ( 'a' == sz)
	{
		return 0;
	} 
	else
	{
		return 1;
	}
}

void testa()
{
	ifstream in_a("A.txt");

	double start[3] = {1, 0, 0};
	double A[3][3] = {0};
	double B[3][2] = {0};
	double C[3][4] = {0};
	char sz_array[] = "abab";
	int i, j, k;

	double (*p)[3];
	(p) = A;

	int row, col;
	in_a >> row >> col;
	for (i = 0; i < row; ++i)
	{
		for (j = 0; j < col; ++j)
		{
			in_a >> A[i][j];
		}
	}

	in_a >> row >> col;
	for (i = 0; i < row; ++i)
	{
		for (j = 0; j < col; ++j)
		{
			in_a >> B[i][j];
		}
	}

	in_a >> row >> col;
	for (i = 0; i < 3; ++i)
	{
		for (j = 0; j < 4; ++j)
		{
			in_a >> C[i][j];
		}
	}

	//
	// 初始化
	//
	for (i = 0; i < 3; ++i)
	{
		C[i][0] = B[i][get_index(sz_array[0])] * start[i];
	}

	for (i = 1; i < 4; ++i)
	{
		for (j = 0; j < 3; ++j)
		{
			for (k = 0; k < 3; ++k)
			{
				C[k][i] += C[j][i-1] * A[j][k] * B[k][get_index(sz_array[i])];
			}
		}
	}

	for (int m = 0; m < 3; ++m)
	{
		for (int n = 0; n < 4; ++n)
		{
			cout << C[m][n] << " ";
		}

		cout << endl;
	}

	in_a.close();
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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