机器学习数据挖掘笔记25PGM练习九：HMM用于分类.docVIP

　　前言： 　　本次实验是用EM来学习HMM中的参数，并用学好了的HMM对一些kinect数据进行动作分类。实验内容请参考coursera课程：Probabilistic Graphical Models 中的的最后一个assignmnet.实验用的是kinect关节点数据，由于HMM是一个时序模型，且含有隐变量，所以这个实验不是很好做。大家对HMM不熟悉的话可以参考网友的实验:code. 　　kinect人体关节数据中， 每个关节点由3个坐标数据构成，多个关节点数据(实验中为10个)构成一个pose,多个pose构成一个action，每个action所包含的pose个数可能不等。其示意图如下： ?　 　　图中有3个action: clap, high kick, low kick. 而每个action可以由不同的pose序列构成，上面的每个action中列举出了3种情况，其长短可不一。在HMM模型中，上面模型中每个节点代表的是观察节点，代表一个pose,该pose可由状态变量(隐变量)产生，比如具有3个pose的action示意图如下： ?　　 　　其中的状态变量S1,S2,S3并不是该pose的action标签，而是介于pose和action之间的一个隐藏类别，它与action和pose数据同时有关，这里state的物理意义不是十分明确，state节点的个数可由验证集通过实验来