- 博客(6)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 前向算法（Forward Algorithm）（五）
在HMM这个翻译系列的原文中，作者举了一个前向算法的交互例子，这也是这个系列中比较出彩的地方，但是，在具体运行这个例子的时候，却发现其似乎有点问题。 先说一下如何使用这个交互例子，运行时需要浏览器支持java，我用的是firefox。首先在Set按钮前面的对话框里上观察序列，如“Dry,Damp, Soggy” 或“Dry Damp Soggy”，观察符号间用逗号或空格隔开；然后再点击Set按
2009-11-08 14:45:00
989
转载 前向算法（Forward Algorithm）（四）
首先需要说明的是，本节不是这个系列的翻译，而是作为前向算法这一章的补充，希望能从实践的角度来说明前向算法。除了用程序来解读hmm的前向算法外，还希望将原文所举例子的问题拿出来和大家探讨。 文中所举的程序来自于UMDHMM这个C语言版本的HMM工具包，具体见《几种不同程序语言的HMM版本》。先说明一下UMDHMM这个包的基本情况，在linux环境下，进入umdhmm-v1.02目录，“make a
2009-11-08 14:41:00
1000
原创 前向算法（Forward Algorithm）（三）
我们使用前向算法计算T长观察序列的概率: 其中y的每一个是观察集合之一。局部（中间）概率(’s)是递归计算的，首先通过计算t=1时刻所有状态的局部概率： 然后在每个时间点，t=2，… ，T时，对于每个状态的局部概率，由下式计算局部概率: 也就是当前状态相应的观察概率与所有到达该状态的路径概率之积，其递归地利用了上一个时间点已经计算好的一些值。 最后，给定HMM
2009-11-08 14:39:00
1622
转载 前向算法（Forward Algorithm）（二）
计算观察序列的概率（Finding the probability of an observed sequence）2b.计算t=1时的局部概率’s 我们按如下公式计算局部概率： t ( j )= Pr( 观察状态 | 隐藏状态j ) x Pr(t时刻所有指向j状态的路径） 特别当t=1时，没有任何指向当前状态的路径。故t=1时位于当前状态的概率是初始概率，即Pr(state|t=1)=
2009-11-08 14:36:00
1570
原创 前向算法（Forward Algorithm）（一）
1.穷举搜索（ Exhaustive search for solution） 给定隐马尔科夫模型，也就是在模型参数（, A, B)已知的情况下，我们想找到观察序列的概率。还是考虑天气这个例子，我们有一个用来描述天气及与它密切相关的海藻湿度状态的隐马尔科夫模型(HMM)，另外我们还有一个海藻的湿度状态观察序列。假设连续3天海藻湿度的观察结果是（干燥、湿润、湿透）——而这三天每一天都可能是晴天、
2009-11-08 14:35:00
993
转载 关于隐马尔可夫模型在模式识别中应用的探讨
隐马儿可夫模型的要点如下：1、存在2种类型的状态，内部状态和外部状态：内部状态是一种外部不可见的、但决定外部状态的一群状态；外部状态是直接被人们认识和利用的一群状态，或者说是一种最终的结果。2、内部状态可以相互转移；而外部状态不会相互转移，只和其内部状态有关。因此只要涉及到状态转移，都是指内部状态。3、内部状态的转移存在时间型、阶段性、步骤性：该模型的状态转移是一步一步、一
2009-11-08 11:27:00
791
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人