1.1 直接计算法
由于已知马尔可夫模型参数和观察序列,所以有
-
模型产生某一状态序列的概率
-
模型产生某一状态序列时得到某一观测序列的概率
-
上面两概率可求得,在该模型下,产生状态序列I同时产生观测序列O的概率:
-
目标求解概率,该模型下,产生观测序列O的概率:
即所有可能产生观测序列O的状态序列I,产生O的概率之和。
所以,利用最后一条公式就可求出概率,但是此时运算次数为 (T+T+2)*NT,时间复杂度为O(TNT)
1.2 前向算法
把隐马模型想象成一个T×N个顶点的图,其意义为T个时刻,每个时刻都有N种可能的状态。每个点为T个时刻,N中状态集合中的一种,每条边为从 i 时刻某个状态到 i+1 时刻另外一个状态的转移。
每个点存储前向概率,每条边记录 aiTjT*bjk。即 T 时刻是状态 i ,且从状态 i 转移到状态 j 的概率以及状态 j 产生观测 k 的概率。
前向概率定义:在此模型下,输入如此观测序列且当前状态为 qi 的概率
算法:
-
初始化:第一个时刻,状态 i 的初始前置
-
递推:从 t 时刻的所有顶点,求出 t + 1时刻所有顶点的前向概率,从而求出所有点的前向概率。
-
终止:最终T时刻所有可能性加起来就是观测序列O出现的概率
1.3 后向算法
后向概率:此刻状态为qi,后面序列出现的概率是多大。
- 初始化:
- 递推
-
计算
1.4 利用前后向概率计算一些细节
- 给定模型和观测序列,t时刻处于状态 qi 的概率
- 给定模型和观测序列O,在时刻 t 处于状态 qi 且在 t+1 处于状态 qj 概率
网友评论