HMM 评估问题
来源:互联网 发布:人文社科类书籍知乎 编辑:程序博客网 时间:2024/05/19 03:42
前向算法
初始概率矩阵π=(1,0,0),即开始处于状态1。
HMM模型如下,试根据前向算法计算产生观察符号序列O={ABAB}的概率。
概率流向:
/** * 前向算法内容 时间复杂度O(T*N^2) * * @param hmm * HMM模型 * @param o * 观察序列 * @return 观察序列概率 */ public static double standard(HMM hmm, int[] o) { double sum; double pprob = 0; double[][] alpha = new double[hmm.N][hmm.N]; // 初始化t=1 for (int i = 0; i < hmm.N; i++) { // 时间0观察状态为o[0]隐状态为i的概率=初始概率*从第i个隐状态到观察状态o[0](初始值)的概率 alpha[0][i] = hmm.pi[i] * hmm.B[i][o[0]]; } // 递归 for (int t = 0; t < o.length - 1; t++) { // 上一个的时间递归 for (int j = 0; j < hmm.N; j++) { // 下一个隐状态递归 sum = 0; for (int i = 0; i < hmm.N; i++) { // 上一个隐状态的递归 // 概率和=从第i个隐状态到第j的隐状态的概率之和 sum += alpha[t][i] * hmm.A[i][j]; } // 下一个时间t隐状态为j的观察状态为o[t+1]的概率 alpha[t + 1][j] = sum * hmm.B[j][o[t + 1]]; } } // 最终时间t所有隐状态下的观察状态为o[o.length-1]的和 for (int i = 0; i < hmm.N; i++) { pprob += alpha[o.length - 1][i]; } return pprob; }
后向算法
定义:给定λ,定义到时刻t状态为qi的前提下,从t+1到T的部分观测序列为ot+1,ot+2…oT的概率为后向概率,记做:
可以递推的求得后向概率βt(i)及观测序列概率P(O|λ)
为了计算在时刻t状态为qi条件下时刻t+1之后的观测序列为ot+1,ot+2…oT的后向概率βt(i),只需要考虑在时刻t+1所有可能的N个状态qj的转移概率(aij项),以及在此状态下的观测ot+1的观测概率(bjot+1)项,然后考虑状态qj之后的观测序列的后向概率βt+1(j)
/** * 后向算法内容 时间复杂度和前向一样 * * @param hmm * HMM模型 * @param o * 观察序列 * @return 这里返回观察序列的概率 */ public static double standard(HMM hmm, int[] o) { double pprob = 0; double sum; double[][] beta = new double[o.length][hmm.N]; // 初始化 for (int i = 0; i < hmm.N; i++) { // 下一个已经确定发生为前提 // 时间为o.length-1隐状态为i观察状态为o[o.length-1]的概率均为1 beta[o.length - 1][i] = 1; } // 迭代计算 for (int t = o.length - 2; t >= 0; t--) { // 上一个时间t for (int i = 0; i < hmm.N; i++) { // 上一个隐状态i sum = 0; for (int j = 0; j < hmm.N; j++) { // 下一个隐状态j // a:i->j的转移概率*隐状态j发生观察状态o[t + 1]的概率=当前状态i转移到下一状态j且出现o[t + // 1]的概率 // a*之后所发生的概率=完整的概率 sum += hmm.A[i][j] * hmm.B[j][o[t + 1]] * beta[t + 1][j]; } beta[t][i] = sum; } } // 整个序列发生的概率 for (int i = 0; i < hmm.N; i++) { // 初始状态i且观察状态o[0]的概率*之后所发生的概率 pprob += hmm.pi[i] * hmm.B[i][o[0]] * beta[0][i]; } return pprob; }
前向算法和后向算法的联系
单个状态的概率
求给定模型λ和观测O,在时刻t处于状态qi的概率。
记:
在每个时刻t选择在该时刻最有可能出现的状态it*,从而得到一个状态序列I*={i1*, i2*… iT*},将它作为预测的结果。
给定模型和观测序列,时刻t处于状态qi的概率为:
两个状态的联合概率
求给定模型λ和观测O,在时刻t处于状态qi并且时刻t+1处于状态qj的概率。
0 0
- HMM 评估问题
- HMM三大问题之评估问题解决方法前向问题
- HMM 解码问题
- HMM 学习问题
- Hmm 问题待解决
- HMM的一些细节问题
- HMM
- hmm
- hmm
- HMM
- HMM
- HMM
- HMM
- HMM
- HMM
- HMM
- hmm
- HMM
- Git与SVN/CVS的区别
- 基本的OpenGL语法及其相关的知识。
- hello
- swift字符串转为oc
- swift字典
- HMM 评估问题
- 浅析java参数传递
- swift数组
- 火狐不兼容<hr>标签的解决方法
- swift循环
- 出现“adb不是内部或外部命令,也不是可运行的程序或批量文件。”
- SQL数据库修复/数据库置疑修复
- swift懒加载
- swift构造方法