概率密度函数的参数估计.pptVIP

* 解释前向计算与反向回朔的过程 * * f(delta,deltan)是一个高斯积分，大小只与delta和deltan有关，与x无关 HMM的三个核心问题 估值问题：已有一个HMM模型，其参数已知，计算这个模型输出特定的观察序列VT的概率； 解码问题：已有一个HMM模型，其参数已知，计算最有可能输出特定的观察序列VT的隐状态转移序列WT； 学习问题：已知一个HMM模型的结构，其参数未知，根据一组训练序列对参数进行训练； 估值问题 一个HMM模型产生观察序列VT可以由下式计算： rmax=MT为HMM所有可能的状态转移序列数； 为状态转移序列 输出观察序列 的概率； 为 状态转移序列 发生的概率。 估值问题的计算 计算复杂度： HMM估值算法的简化 HMM的前向算法 初始化： 迭代计算： 结束输出： 计算复杂度： 解码问题 解码问题的计算：同估值问题的计算类似，最直观的思路是遍历所有的可能状态转移序列，取出最大值，计算复杂度为：O(MTT)。 同样存在着优化算法：Viterbi算法。 Viterbi算法 因为需要回朔最优路径，所以建立一个矩阵Φ，其元素 保存第t步，第i个状态在第t-1步的最优状态。 初始化： 迭代计算： 结束： 路径回朔： Viterbi算法图示 学习