向前向后算法forwardbackwardalgorithm.docxVIP

向前-向后算法（forward-backward algorithm）本文承接上篇博客《隐马尔可夫模型及的评估和解码问题》，用到的概念和例子都是那里面的。学习问题在HMM模型中，已知隐藏状态的集合S，观察值的集合O，以及一个观察序列（o1,o2,...,on），求使得该观察序列出现的可能性最大的模型参数（包括初始状态概率矩阵π，状态转移矩阵A，发射矩阵B）。这正好就是EM算法要求解的问题：已知一系列的观察值X，在隐含变量Y未知的情况下求最佳参数θ*，使得：在中文词性标注里，根据为训练语料，我们观察到了一系列的词（对应EM中的X），如果每个词的词性（即隐藏状态）也是知道的，那它就不需要用EM来求模型参数θ了，因为Y是已知的，不存在隐含变量了。当没有隐含变量时，直接用maximum likelihood就可以把模型参数求出来。预备知识首先你得对下面的公式表示认同。以下都是针对相互独立的事件，P(A,B)=P(B|A)*P(A)P(A,B,C)=P(C)*P(A,B|C)=P(A,C|B)*P(B)=P(B,C|A)*P(A)P(A,B,C,D)=P(D)*P(A,B|D)*P(C|A)=P(D)*P(A,B|D)*P(C|B)P(A,B|C)=P(D1,A,B|C)+P(D2,A,B|C) ? ? D1,D2是事件D的一个全划分理解了上面几个式子，你也就能理解本文中出现的公式是怎么推导出来的了。EM算法求解我们已经知道如果隐含变量Y是已知的，那么求解模型参数直接利用Maximum Likelihood就可以了。EM算法的基本思路是：随机初始化一组参数θ(0)，根据后验概率Pr(Y|X;θ)来更新Y的期望E(Y)，然后用E(Y)代替Y求出新的模型参数θ(1)。如此迭代直到θ趋于稳定。在HMM问题中，隐含变量自然就是状态变量，要求状态变量的期望值，其实就是求时刻ti观察到xi时处于状态si的概率，为了求此概率，需要用到向前变量和向后变量。向前变量向前变量?是假定的参数它表示t时刻满足状态，且t时刻之前（包括t时刻）满足给定的观测序列的概率。令初始值归纳法计算最后计算复杂度向后变量向后变量? ? ? ? ? ? ? ?它表示在时刻t出现状态，且t时刻以后的观察序列满足的概率。初始值归纳计算E-Step定义变量为t时刻处于状态i，t+1时刻处于状态j的概率。? ? ? ??定义变量表示t时刻呈现状态i的概率。实际上? ?? ??? ???是从其他所有状态转移到状态i的次数的期望值。是从状态i转移出去的次数的期望值。是从状态i转移到状态j的次数的期望值。M-Step是在初始时刻出现状态i的频率的期望值，是从状态i转移到状态j的次数的期望值 ?除以??从状态i转移出去的次数的期望值，是在状态j下观察到活动为k的次数的期望值??除以??从其他所有状态转移到状态j的次数的期望值,?然后用新的参数再来计算向前变量、向后变量、和。如此循环迭代，直到前后两次参数的变化量小于某个值为止。下面给出我的java代码： 1importjava.io.BufferedReader; 2importjava.io.File; 3importjava.io.FileReader; 4importjava.io.IOException; 5importjava.util.Arrays; 6importjava.util.HashMap; 7importjava.util.LinkedList; 8importjava.util.List; 9importjava.util.Map; 10importjava.util.Map.Entry; 11 12/** 13 * 隐马尔可夫模型参数学习。14 *15 * @Author:zhangchaoyang 16 * @Since:2015年4月4日17 * @Version:1.018*/ 19publicclassHmmLearn { 20 21privateintstateCount;// 状态的个数 22private MapString, Integer observeIndexMap = newHashMapString, Integer();// 观察值及其索引编号 23/** 24 * 通过学习得到的模型参数 25*/ 26privatedouble[] stateProb;// 初始状态概率矩阵 27privatedouble[][] stateTrans;// 状态转移矩阵 28privatedouble[][] emission;// 混淆矩阵 29 30private ListString observeSeqs = newLinkedListString();// 训练集中