HMM--实践

HMM理论补充

r是求一个时刻位于的隐状态

后向算法

第t个时刻位于第i号隐状态下，而后面的观测值Ot+1，Ot+2，OT

期望

学习算法

绿色可用EM算法进行。

利用频率估计概率

因为算初始概率，所以统计每句话的句首时，可能是单字成词或者开始态，不可能是中间与结束字。


















理论上没有语料库的话，可以使用EM算法求出参数lamda以及隐变量状态i，理论可行的。即使使用有监督学习得到参数，再去分词的话仍然可以得到不再词典当中的那些词也是可以分出来的。

预测算法

计算想到达di行j列时候的值，可能是其相邻的值相加所得结果。如下：



一个机器人某一时刻处于一个位置，他可能跳转到下一个时刻的任何一个位置，不断往后跳转，我们希望求从最初始这一列到最后这一列的最小路径或者最大路径，若给定的是一个概率值的话，我们想算最大路径，即概率最大的位置，概率最大的路径就表征了每一个时刻他可能取得隐状态。

然后求从最开始状态到最后状态的概率最大路径，这个路径即对应的是隐状态序列。

插曲

实践

风最终的路径，就是我们所观测到的时间序列了。所以只要与时间序列有关的简单问题，如风向预测问题可以用HMM模型就可以预测。


HMM模型推荐的一个库的安装
给出的X1–XT这些数据，。。。表示X1可能是某个点，XT可能是某个点。是由高斯分布得到的这些数据。参数：均值与方差，则一个样本到底属于哪个类别。如下图。

实践一

训练之后做分词：

实践二

实践三

实践四

读取电流数据

每个时刻有各自的电流值