隐马尔可夫模型详解ppt(有例子_具体易懂).pptVIP

例（续） 其递推结果为： 可以看出，最有可能的状态序列是： S1，S2，S2，S2. 例（续） 其计算结果示意图如下所示： 绿色的箭头表示最有可能的状态序列 问题3—学习问题 也称训练问题、参数估计问题 化准则，使得观察序列的概率P(O|λ)最大。 状态序列已知情况 可以由最大似然估计来估计HMM的参数： EM(Expectation-Maximization)算法 由于HMM中的状态序列是观察不到的（隐变量），以上的最大似然估计不可行。EM算法可 用于含有隐变量的统计模型的最大似然估计。 EM算法是一个由交替进行的“期望(E过程)”和“极大似然估计(M过程)”两部分组成的迭代过程： · 对于给定的不完全数据和当前的参数值，“E过程”从条件期望中相 应地构造完全数据的似然函数值，“M过程”则利用参数的充分统计 量，重新估计概率模型的参数，使得训练数据的对数似然最大。 EM算法的每一次迭代过程必定单调地增加训练数据的对数似然值，于是迭代过程渐进地收敛于一个局部最优值。 向前向后算法(Baum-Welch算法) 1.初始化：随机地给πi ，aij ， bjk 赋值（满足概率条件），得到模型λ0，设 i=0 ； 2.EM步骤： E步骤：由λi根据公式（1）和（2），计算期望