关键词：
【ML-13-3】隐马尔科夫模型ＨＭＭ--Baum-Welch（鲍姆-韦尔奇）
【ML-13-4】隐马尔科夫模型ＨＭＭ--预测问题Viterbi（维特比）算法
目录
- 基础--HMM常用概率的计算
- HMM模型参数求解概述
- Baum-Welch算法原理
- Baum-Welch算法推导
- Baum-Welch算法总结
一、基础--HMM常用概率计算
利用前向概率和后向概率，我们可以计算出HMM中单个状态和两个状态的概率公式。
1.1 单个状态的概率
求给定模型λ和观测序列Q的情况下，在时刻t处于状态si的概率，记做：
单个状态概率的意义主要是用于判断在每个时刻最可能存在的状态，从而可以得到一个状态序列作为最终的预测结果。
利用前向概率和后向概率的定义可知：
由上面两个表达式可知：
1.2 两个状态的联合概率
求给定模型λ和观测序列Q的情况下，在时刻t处于状态si并时刻t+1处于状态sj概率，记做：
1.3 上述两种求和可以得到：
二、HMM模型参数求解概述
在本篇我们会讨论HMM模型参数求解的问题，即已知观测序列Q=q1,q2,...,qT，估计模型λ=(A,B,π)的参数，使得在该模型下观测序列P(Q|λ)最大。这个问题在HMM三个问题里算是最复杂的。在研究这个问题之前，建议先阅读这个系列的前两篇以熟悉HMM模型和HMM的前向后向算法，以及EM算法原理总结
HMM模型参数求解根据已知的条件可以分为两种情况。第一种情况较为简单，就是我们已知D个长度为T的观测序列和对应的隐藏状态序列，直接利用大数定理的结论"频率的极限是概率"，直接给出HMM的参数估计；
1.1 假设所有样本中初始隐藏状态为qi的频率计数为S(i),那么初始概率分布为：
1.2 假设样本从隐藏状态qi转移到qj的频率计数是Sij,那么状态转移矩阵求得为：
1.3 假设样本隐藏状态为qj且观测状态为vk的频率计数是qjk,那么观测状态概率矩阵为：
可见第一种情况下求解模型还是很简单的。但是在很多时候，我们无法得到HMM样本观察序列对应的隐藏序列，只有D个长度为T的观测序列，此时我们能不能求出合适的HMM模型参数呢？这就是我们的第二种情况，也是我们本文要讨论的重点。它的解法最常用的是鲍姆-韦尔奇算法（Baum-Welch），其实就是基于EM算法的求解，只不过Baum-Welch算法出现的时代，EM算法还没有被抽象出来，所以我们本文还是说鲍姆-韦尔奇算法法。这也提示我们抽象一种具体算法可能也是很重要的工程。
三、Baum-Welch算法原理
在M步，我们极大化上式，然后得到更新后的模型参数如下：
四、Baum-Welch算法推导
我们需要先计算联合分布P(Q,I；λ)的表达式如下：
E步得到的期望表达式为：
在M步要极大化上式：
- 我们看看对模型参数Π的求导。由于Π只在上式中括号里的第一部分出现，因此我们对于Π的极大化式子为：
极大化上式，使用拉格朗日乘子法：
求和相加可得：
再代入可得到：
- 极大化L，使用拉格朗日乘子法，求解aij的值：
- 同理：极大化L，使用拉格朗日乘子法，求解bij的值
- 汇总：极大化L函数，分别可以求得π、a、b的值。
五、Baum-Welch算法总结
这里我们概括总结下鲍姆-韦尔奇算法的流程。
输入： D个观测序列样本
输出：HMM模型参数
具体流程：
1)随机初始化所有的πi,aij,bij
2) 对于每个样本d=1,2,...D，用前向后向算法计算γ，ξ
3) 更新模型参数：
4) 如果πi,aij,bij的值已经收敛，则算法结束，否则回到第2）步继续迭代。
附件一：手写练习
ml-13-4隐马尔科夫模型ｈｍｍ--预测问题viterbi（维特比）算法
【ML-13-1】隐马尔科夫模型HMM【ML-13-2】隐马尔科夫模型ＨＭＭ--前向后向算法【ML-13-3】隐马尔科夫模型ＨＭＭ--Baum-Welch（鲍姆-韦尔奇）【ML-13-4】隐马尔科夫模型ＨＭＭ--预测问题Viterbi（维特比）算法 目录基础--HMM常用概率的... 查看详情
ml-13-1隐马尔科夫模型hmm
【ML-13-1】隐马尔科夫模型HMM【ML-13-2】隐马尔科夫模型ＨＭＭ--前向后向算法【ML-13-3】隐马尔科夫模型ＨＭＭ--Baum-Welch（鲍姆-韦尔奇）【ML-13-4】隐马尔科夫模型ＨＭＭ--预测问题Viterbi（维特比）算法目录基础知识-马尔可夫链HMM... 查看详情
ｈｔｍｌ常用标签
下面对HTML常用标签进行说明：１.文档结构标签＜ｈｔｍｌ＞＜／ｈｔｍｌ＞：标识HTML文档的起始和终止＜ｈｅａｄ＞＜／ｈｅａｄ＞：标识HTML文档头部区域＜ｂｏｄｙ＞＜／ｂｏｄｙ＞：标识HTML文档主体区域示例：＜ｈｔｍ... 查看详情
ｈｔｍｌ
...５、缩进规则以ＴＡＢ为准６、显示特殊含义字符。７、ｈｔｍｌ文件主体结构<html><head><title>在头部定义的标题标记</title><basehref=" 查看详情
ｐｈｐ展示ｋｍｐ拓展算法思想
每一个算法，都是基于很简单的道理，不断地增加条件，限制，让它符合心意。也就没有其他的东西了。ＫＭＰ：也就是我自己写的一个思路，肯定我讲不清楚，我还没有那么通透，只能记录下我现在的一个思路，而且也没必要... 查看详情
关于html5代码总结。
1.＜！ＤＯＣＴＹＰＥ ｈｔｍｌ＞声明这是一个ＨＴＭＬ５的页面 2.＜ＨＴＭＬ ｌａｎｇ＝＂ｅｎ＂ ／＞默认语言设置为英语 3.＜ｍｅｔａ ｃｈａｒｓｅｔ＝＂ＵＴＦ－８＂＞字符编码被设置为ＵＴＦ－８ ... 查看详情
ｖｍ６.５怎样安装ｇｈｏｓｔ版系统～
参考技术A先设置好虚拟机！在虚拟机里的光驱设置成要装的GHOST的ISO文件！接通电源在BIOS里设置成光驱优先启动！进入光盘后一般GHOST的光盘里有PM分区工具在PM里分好区并把要装系统的盘设置为作用！完成后！再进行和实体机... 查看详情
ｌｉｎｕｘ操作系统及常见命令
...文件给不同的用户会赋予不同的权限）认证机制：ａｕｔｈｅｎｔｉｃａｔｉｏｎ （识别某个人就是他所声称的那个人）授权：ａｕｔｈｏｒｉｚａｔｉｏｎ审计：Ａｕｄｉｔｏｎ（日志）ｐｒｏｍｐｔ：命令提示符命令：ｍ... 查看详情
vivado+hdmi+ddr3--------ｈｄｍｉ接口协议介绍及实现(代码片段)
一、HDMI接口的简要介绍 最先接触到的时ＶＧＡ那么两者有什么区别呢？主要区别如下： １、HDMI接口：是数字信号接口，可传输音频和视频，硬件接口较小，支持热插拔。 2、VGA接口：是模拟信号接口，只可传输... 查看详情
moonjavascript简介 第１章和 在ｈｔｍｌ中使用ｊａｖａｓｃｒｉｐｔ第２章
javaScript基础知识 ｊavaScript是脚本语言 是一种轻量级的编程语言。 是可插入HTML页面的编程代码。 插入HTML页面后，可由所有的现代浏览器执... 查看详情
隐马尔科夫模型hmmhmm模型
隐马尔科夫模型HMM（一）HMM模型基础 隐马尔科夫模型HMM（二）前向后向算法评估观察序列概率（TODO） 隐马尔科夫模型HMM（三）鲍姆-韦尔奇算法求解HMM参数（TODO） 隐马尔科夫模型HMM（四）维特... 查看详情
mha主从不同步处理
---恢复内容开始---１.检查ＭＨＡ状态：＃masterha_check_status--conf=/etc/mha/app1.cnf app1isstopped(2:NOT_RUNNING).状态为没有运行。２.检查ＭＨＡ主从复制状态masterha_check_repl--conf=/etc/mha/app1.cnf WedMar2811:38:222018-[war 查看详情
ａｐｐｉｕｍ环境搭建及ａｐｐ配合ｒｆ自动化的操作步骤
在用ＡＰＰＩＵＭ做ＡＰＰ自动化测试过程中，首先碰到的问题就是环境搭建．过程相对于ＷＥＢ端自动化来说，搭建过程稍微复杂些，但是appium与ＷＥＢ端的selenium原理相差不多.二者在robotframework自动化框架中,共用了很多API关... 查看详情
自然语言处理隐马尔可夫模型ⅰ马尔可夫模型
...隐马尔可夫模型【Ⅰ】马尔可夫模型【自然语言处理】隐马尔科夫模型【Ⅱ】隐马尔科夫模型概述【自然语言处理隐马尔科夫模型【Ⅲ】估计问题【自然语言处理】隐马尔科夫模型【Ⅳ】学习问题【自然语言处理】隐马尔科夫模... 查看详情
基于优化ｌｓｔｍ模型的股票预测
...翻译等领域广受青睐。今天，主要研究的是通过对LSTM模型的优化来实现股票预测。其实，关于股票预测，LSTM模型已经表现的相当成熟，然而，其以及具有很大的提升空间，比如，股市的影响因素多种... 查看详情
基于优化ｌｓｔｍ模型的股票预测
...翻译等领域广受青睐。今天，主要研究的是通过对LSTM模型的优化来实现股票预测。其实，关于股票预测，LSTM模型已经表现的相当成熟，然而，其以及具有很大的提升空间，比如，股市的影响因素多种... 查看详情
隐马尔可夫模型
第10章隐马尔可夫模型隐马尔可夫模型(hiddenMarkovmodel,HMM)是可用于标注问题的统计学习模型，描述由隐藏的马尔可夫链随机生成观测序列的过程，属于生成模型。10.1隐马尔可夫模型的基本概念定义10.1(隐马尔可夫模型)隐马尔可夫... 查看详情
基于倾斜影像的城市三维场景重建
（１）在三维表面模型构建方面，首先根据低空倾斜影像的特点，将提取基于像方的仿射不变特征角点加入到ＰＭＶＳ的初始稀疏种子点集，改善密集匹配的约束与引导过程；接着，通过实时优化调整原始ＰＭＶＳ算法密集匹配... 查看详情