1. 定义

前向概率:给定马尔可夫模型λ\lambda,定义“到时刻t为止,部分观测序列为o1,o2,...,ot,且t时刻的状态为qi”的概率为前向概率,记作:
αt(i)=P(o1,o2,,ot,it=qiλ) \alpha_t(i) = P(o_1,o_2,\cdots,o_t,i_t=q_i|\lambda)

2. 原理

这是状态DP的思想。
局部计算前向概率,利用路径结构将前向概率递推到全局(这一句没看懂)。
每一次计算直接利用前一个时刻的计算结果,避免重复计算。

3. 过程

输入
隐马尔可夫模型λ\lambda
观测序列O
输出
观测序列概率P(Oλ)P(O|\lambda) 过程

  1. 初值:
    α1(i)=πibi(o1) \alpha_1(i) = \pi_ib_i(o_1)
  2. 递推:
    αt+1(i)=[j=1Nαt(j)aji]bi(ot+1) \alpha_{t+1}(i) = [\sum_{j=1}^N\alpha_t(j)a_{ji}]b_i(o_{t+1})
  3. 终止:
    P(Oλ)=i=1NαT(i) P(O|\lambda) = \sum_{i=1}^N\alpha_T(i)

注意α\alphaaa的不同

results matching ""

    No results matching ""