怎样做公司网站介绍,网站百度排名优化,如何申请注册企业邮箱,电子商务公司最低注册资本AB派在上一篇文章中#xff0c;你成功的将“挽回夕小瑶”的任务卡进了隐马尔可夫模型#xff08;HMM#xff09;中。那么我们来规范化的整理一下已经有的信息和需要计算得到的信息。还记得这两个图嘛#xff1f;这就是我们建立好的模型。#xff08;隐状态的转移图#x… AB派在上一篇文章中你成功的将“挽回夕小瑶”的任务卡进了隐马尔可夫模型HMM中。那么我们来规范化的整理一下已经有的信息和需要计算得到的信息。 还记得这两个图嘛这就是我们建立好的模型。 隐状态的转移图每个隐状态ωi都有概率发出5种可以观测到的信号 对于第一张图这么多的参数看起来也蛮乱的那就将所有的状态转移概率aij存储到一个矩阵A中 矩阵A中的每个元素aij就代表当前状态为ωi时下一状态为ωj的概率即状态ωi到状态ωj的转移概率。 对于第二张图描述的是当隐状态为ωj时发出信号vk的概率。所以用bjk来表示ωj发出信号vk的概率。将bjk存储到矩阵B中 好~A矩阵和B矩阵显然就是我们需要计算出的模型参数啦。但是参数中仅仅是A和B就够了吗想一下虽然A可以描述从某个状态转移到某个状态的概率但是每个状态序列总要有一个开头呀~这个开头是什么样子的在A矩阵和B矩阵中都没有描述。所以模型还有一个描述初始状态的参数也就是描述每个隐状态ωi作为初始状态的概率记为πi。也就是向量π 整理完毕~A、B、π就是我们全部要计算出的模型参数。开始训练 而我们已经有了夕小瑶好多天的隐状态序列和对应的观测序列的数据了那么我们如何用它们来训练出模型的参数呢。 其实这样就很简单很简单啦直接搬出似然函数找出使得似然函数最大的参数值嘛也就是最大化似然函数。顾名思义“然”是这样的意思所以似然函数就是用来描述当前的模型参数取值的合理性间接反映当前模型参数对手中数据集的解释程度因此使得似然函数最大意思就是使得模型参数取的最合理使得手中数据集在模型的解释下变得合理。 你陪小夕度过了300天。因此你记录下了300段隐状态序列记为Qq1 q2 q3 ... qT其实qi就是之前表示的ωi其中T6每天经历6个时间点化妆-吃饭-聊天-自习-上课-要抱抱。同时对应着300段观测序列记为OO1 O2 O3 ... OT同样T6。然后根据极大似然估计的思想直接用样本集估计出HMM的各个参数啦。 所以HMM的各个参数应该这样估计 这样我们就得到了所有的模型参数向量π、矩阵A、矩阵B。 看由此我们轻而易举的把夕小瑶这个隐马尔可夫模型建立完成了。 有了这个模型我们就完全看透夕小瑶了所以下面开始得到本任务的最终目标——预测夕小瑶在耍小脾气当天的情绪状态序列隐状态序列看透你了 量化一下我们要做的事情在给定HMM模型即已知全部参数的HMM模型记为μ和观测序列O情况下求最大概率的隐状态序列 怎么计算呢Viterbi算法 这个算法有点绕直接贴出来如果直接看看不懂的话可以看后面小夕的解释哦。 这个算法的思想就是设立一个小人δ读作delta这个小人从时刻1一直走到时刻T。这个小人的意义就是记录下自己在每个时间点t的每个隐状态j的概率注意不是从全局的观测序列计算出的概率是他自己从t1的时刻一步步的观察每个时刻的观测值所得到的那一时刻的累积概率 算法的第一步初始化这个小人利用已知的模型参数πi和bi(O1)(即状态i下发出观测值O1的概率其中O1为t1时刻的观测值)得到t1时刻每个隐状态i的δ值。 第二步这个小人在每个时刻t都会将每个隐状态里呆一会。在每个隐状态j里它都会抬头看看此刻的观测值Ot并分别假设自己处于前一时刻t-1的每个隐状态i中并用前一时刻t-1假设的隐状态的累计概率值乘以前一时刻假设的隐状态转移到当前时刻的当前隐状态的转移概率然后算出使得当前时刻的当前隐状态的总概率最大化的前一时刻的隐状态这个最优隐状态记为m吧。这个前一时刻的最优隐状态的累积概率δt-1(m)乘以前一时刻m状态转移到当前时刻的当前j状态的转移概率再乘以当前时刻t的当前状态j发出观测值Ot的概率即为δt(j)。 第三步小人δ走完最后一个时刻T的最后一个隐状态后就可以从最后时刻的全部隐状态中挑出最后时刻也就是全局的最大累积概率δT啦记下这个最大概率对应的隐状态QT 第四部一步步的回溯呀记下T时刻走到最优隐状态QT的前一时刻的最优隐状态回顾一下第二步得到前一时刻最优隐状态QT-1。然后同样再往前回溯得到QT-2一直回溯到Q1然后Q1Q2Q3..QT就是全局最优隐状态序列啦也就是夕小瑶耍小脾气时的情绪状态序列在你猜出后夕小瑶瞬间被自己感动哭了...内心os竟然花了这么大的功夫教你怎么猜我的心思...还不如直接告诉你呢嘤嘤嘤...
