其中前向后向变量心kO＇yk的计算可直接采用一维-Read.PDFVIP

第四帝嵌入式隐Markov模4!本理论及1训〔练算法的改进 ·官:第i个超状态中嵌入的子HMM状态的观察值概率密度函数，通常用为多维高斯 概率密度函数的组合来近似表示。宜 “议(o,,)1,G;O(,,)=P(oyIs,)，其中，。。表示 ‘ 行，y列的观察向量(z=1,...,X.y=1，二，Y)a 第i个超状态可表示为A={17,A},B}，因此一个E-HMM可记为A=(17,A,A)。 其中乃={才，…，丫}。 4.1.3嵌入式隐Markov模型的三个基本算法 应用嵌入式隐Markov模型解决实际问题需要解决以下的三个问题: (1)给定模型参数A=(17,A,A)和观察向量序列O，如何计算概率P(OIa.)，即观察向量 序列与模型吻合的概率，这是一个评估问题，决定出在多个模型中选择与观察向量序列 最佳匹配的模型。 (2)给定模型参数A=(17,A,A)和观察向量序列O，如何选择最佳状态序列来解释观察 向量序列，即揭开模型的隐含部分，在一优化准则下找到最优状态序列。 (3)给定观察向量序列。，如何调整模型参数，使P(OIA)最大，即模型参数估计问题。 4.1.3.1概率P(OIA)的计算 (评估问题) 由于直接计算P(OIA)的计算量是巨大的，因此用前向一后向算法来计算P(OI劝， 该算法是从一维模型的算法演化而来的。我们从水平和垂直两个方向定义前向一后向变 量。 定义观察向量序列0y内的前向变量、后向变量分别为: a,,k()=Po(oy,9。二Sk}q=A,A) (4.1) 凡 k()=P(o,y，一。。}q,y-St,Qy=A,A) (4.2) 定义观察向量序列01...,0y的前向变量、后向变量分别为: ay(i)=P(O...,化，q=A}a.) (4.3) 几(i)=P(q+n...,pr}忆=A,A) (4.4 ) 其中前向、后向变量心(k),Oy(k)的计算可直接采用一维HMM的前向一后向算法[51对 给定超状态A，观察向量序列q的概率由a石k(),凡k()来计算， PO(!鸟=才，助=艺aX,k() (4.}) 根据以上定义，设Py=PO(.1IQ,二A,z)，我们可以给出E-HMM的前向算法: 大连理T大学博 卜学位论文 (1)前向算法 (a)初始化 “，(i)=R只 (b)递归 ay(!)=[艺a,.(i)aj)P, (c)终结 P(OIx)=叉。，(i) (4.6) (2)后向算法 (a)初始化 刀，(i)二1 (b)递归 几(i)=叉avPyfil..(I) (c)终结 P(O}.Z)=艺16,(i) (4.7) 4.1.3.2双重嵌套的Viterbi算法 (最佳状态链的确定) 双重嵌套的Viterbi算法，就是计算给定一个观察向量序列O以及一个模型 A=(17,A,A)，寻找一个最优状态序列Q，使得P(Q,O}z)取最大值。双重嵌套的Viterbi 算法可以叙述如下:定义凡(i)为出现第Y行观察向量序列时沿一条路径Q，…·q，且 q=A`，产生出01102,...,0,的最大概率，即 8y(i)二9qm,-a.4x,-{logp(Qq=A,0,，二，0y}}.)} 电(t)用来跟踪爪(i)的最优超状态序列，在计算爪(i)时，需要先计算超状态A中出 现几的概率君伽)=P(乌,鸟二/V12)，可以由水平方向子HMM的Viterbi算法求得。因 第四章嵌入式隐Markov模型华本理论及土训〔练