隐马尔科夫模型及Viterbi算法的应用
作者:jostree 转载请注明出处 http://www.cnblogs.com/jostree/p/4335810.html
一个例子:
韦小宝使用骰子进行游戏,他有两种骰子一种正常的骰子,还有一种不均匀的骰子,来进行出千。
开始游戏时他有2/5的概率出千。
对于正常的骰子A,每个点出现的概率都是1/6.
对于不均匀的骰子B,5,6两种出现的概率为3/10,其余为1/10.
出千的随机规律如下图所示:
我们观测到的投掷结果为:ob={1,3,4,5,5,6,6,3,2,6}
请判断韦小宝什么时候出千了?
我们可以这样建模$x_i$表示第$i$次投掷的骰子的种类,$y_i$表示第$i$次投掷出的点数,$\lambda$表示各个概率参数。
那么第$t$次使用第$i$种骰子投掷的概率$\delta_t(i)$等于
\begin{equation} \delta_t(i)=\max_{x_1,\dots,x_{t-1}}P(x_1,\dots,x_{t-1},x_t=i,y_1,\dots,y_t|\lambda) \end{equation}
其实$\delta_{t+1}(i)$可以由$\delta_t(i)$推倒得出:
\begin{eqnarray} \delta_{t+1}(i) &=& \max_{x_1,\dots,x_{t}}P(x_1,\dots,x_{t},x_{t+1}=i,y_1,\dots,y_{t+1}|\lambda)\\ &=& \max_j \delta_t(j)\alpha_{ji}\beta_i(y_{t+1})\end{eqnarray}
其中$\alpha_{ji}$表示从第$j$个骰子转移到第$i$个骰子的概率。
$\beta_i(y_{t+1})$表示使用第i个骰子投出点$y_{t+1}$的概率。
从而可以使用上述利用动态规划算法进行逐次递推计算。
得到的结果为:
t | $y_t$ | $\delta_t(A)$ | $\Psi_t(A)$ | $\delta_t(B)$ | $\Psi_t(B)$ |
1 | 1 | 0.1 | A | 0.04 | A |
2 | 3 | 0.0133333 | A | 0.0036 | B |
3 | 4 | 0.00177778 | A | 0.000324 | B |
4 | 5 | 0.000237037 | A | 0.000106667 | A |
5 | 5 | 3.16049e-05 | A | 2.88e-05 | B |
6 | 6 | 4.21399e-06 | A | 7.776e-06 | B |
7 | 6 | 5.61866e-07 | A | 2.09952e-06 | B |
8 | 3 | 7.49154e-08 | A | 1.88957e-07 | B |
9 | 2 | 9.98872e-09 | A | 1.70061e-08 | B |
10 | 6 | 1.33183e-09 | A | 4.59165e-09 | B |
因为最后一步$\delta_t(B)$的值大于$\delta_t(A)$,所以一次使用B骰子的概率最大,从而一直向上回溯,得到的使用骰子的序列为:AAABBBBBBB
代码如下所示:
1 #include <stdlib.h> 2 #include <stdio.h> 3 #include <string.h> 4 #include <string> 5 #include <iostream> 6 using namespace std; 7 double initP[2] = {0.6, 0.4};//骰子A,B的初始概率 8 double transferMatrix[2][2] = {{0.8, 0.2}, {0.1, 0.9}};//骰子之间的转移概率 9 double EmissionP[2][6]={{1/6.0, 1/6.0, 1/6.0, 1/6.0, 1/6.0, 1/6.0},//骰子A的发射概率 10 {0.1, 0.1, 0.1, 0.1, 0.3, 0.3}};//骰子B的发射概率 11 double dp[10][2];//dp[i][j]第i步时,使用第j个骰子的最大概率 12 double dpS[10][2];//dpS[i][j]第i步时,使用第j个骰子,得到的最大概率时,使用的骰子种类, 0->A, 1->B 13 int ob[10] = {1, 3, 4, 5, 5, 6, 6, 3, 2, 6};//观测点数 14 bool diceArray[10];//预测骰子使用序列 15 void Viterbi() 16 { 17 memset(dp,0,sizeof(dp)); 18 memset(dpS,0,sizeof(dpS)); 19 memset(diceArray,0,sizeof(diceArray)); 20 dp[0][0] = initP[0]* EmissionP[0][ob[0]-1]; 21 dp[0][1] = initP[1]* EmissionP[1][ob[0]-1]; 22 for( int i = 1 ; i < 10 ; i++ )//投掷次数 23 { 24 for( int j = 0 ; j < 2 ; j++ )//当前状态 25 { 26 for( int k = 0 ; k < 2 ; k++ )//上一个状态 27 { 28 double tempP = dp[i-1][k] * transferMatrix[k][j] * EmissionP[j][ob[i]-1] ; 29 if( dp[i][j] < tempP ) 30 { 31 dp[i][j] = tempP; 32 dpS[i][j] = k; 33 } 34 } 35 } 36 } 37 int maxState = 0; 38 if( dpS[9][0] < dpS[9][1] ) 39 { 40 maxState = 1; 41 } 42 for( int i = 9 ; i >=0 ; i-- ) 43 { 44 diceArray[i] = maxState; 45 maxState = dpS[i][maxState]; 46 } 47 } 48 int main(int argc, char *argv[]) 49 { 50 Viterbi(); 51 cout<<"每步每个状态下的概率和骰子种类:"<<endl; 52 for( int i = 0 ; i < 10 ; i++ ) 53 { 54 for( int j = 0 ; j < 2 ; j++ ) 55 { 56 cout<<dp[i][j]<<" "<<dpS[i][j]<<" "; 57 } 58 cout<<endl; 59 } 60 cout<<"预测骰子种类,0->A, 1->B : "<<endl; 61 for( int i = 0 ; i < 10 ; i++ ) 62 { 63 cout<<diceArray[i]<<" "; 64 } 65 cout<<endl; 66 } 67 /* result: 68 每步每个状态下的概率和骰子种类: 69 0.1 0 0.04 0 70 0.0133333 0 0.0036 1 71 0.00177778 0 0.000324 1 72 0.000237037 0 0.000106667 0 73 3.16049e-05 0 2.88e-05 1 74 4.21399e-06 0 7.776e-06 1 75 5.61866e-07 0 2.09952e-06 1 76 7.49154e-08 0 1.88957e-07 1 77 9.98872e-09 0 1.70061e-08 1 78 1.33183e-09 0 4.59165e-09 1 79 预测骰子种类,0->A, 1->B : 80 0 0 0 1 1 1 1 1 1 1 81 */
View Code
转载于:https://www.cnblogs.com/jostree/p/4335810.html
隐马尔科夫模型及Viterbi算法的应用相关推荐
- 隐马尔科夫模型之Baum-Wech算法
隐马尔科夫模型之Baum-Wech算法 https://blog.csdn.net/u014688145/article/details/53046765 Baum-Wech算法之EM算法 https ...
- 隐马尔科夫模型-前向算法
转载自 隐马尔科夫模型-前向算法 隐马尔科夫模型-前向算法 在该篇文章中讲了隐马尔科夫模型(HMM)一基本模型与三个基本问题 隐马尔科夫模型-基本模型与三个基本问题,这篇文章总结一下隐马尔科夫链(H ...
- 隐马尔科夫模型C#语言算法实现
开发工具: Visual Studio v2010 .NET Framework 4 Client Profile 版本历史: V1.1 2011年06月09日 修正UMDHMM在Baum-Welch ...
- 隐马尔科夫模型c#语言算法实现,HMM学习最佳范例四:隐马尔科夫模型
四.隐马尔科夫模型(Hidden Markov Models) 1.定义(Definition of a hidden Markov model) 一个隐马尔科夫模型是一个三元组(pi, A, B). ...
- 隐马尔科夫模型(Hidden Markov Models) 系列之三
隐马尔科夫模型(Hidden Markov Models) 系列之三 介绍(introduction) 生成模式(Generating Patterns) 隐含模式(Hidden Patterns) ...
- 隐马尔科夫模型(HMMs)之三:隐马尔科夫模型
隐马尔科夫模型(Hidden Markov Models) 定义 隐马尔科夫模型可以用一个三元组(π,A,B)来定义: π 表示初始状态概率的向量 A =(aij)(隐藏状态的)转移矩阵 P(Xit ...
- 【深度】从朴素贝叶斯到维特比算法:详解隐马尔科夫模型
详解隐马尔科夫模型 作者:David S. Batista 选自:机器之心 本文首先简要介绍朴素贝叶斯,再将其扩展到隐马尔科夫模型.我们不仅会讨论隐马尔科夫模型的基本原理,同时还从朴素贝叶斯的角度讨论 ...
- 使用隐马尔科夫模型实现分词
文章目录 算法概述 算法实现 参考结论 参考资料 参考链接 算法概述 分词算法常用的方法是基于统计的机器学习算法.可以使用 隐马尔科夫模型(HMM) 来实现分词. 隐马尔科夫模型的基本思想是假设一个序 ...
- 隐马尔科夫模型(前向后向算法、鲍姆-韦尔奇算法、维特比算法)
隐马尔科夫模型(前向后向算法.鲍姆-韦尔奇算法.维特比算法) 概率图模型是一类用图来表达变量相关关系的概率模型.它以图为表示工具,最常见的是用一个结点表示一个或一组随机变量,结点之间的变表是变量间的概 ...
最新文章
- java代码操作git_JGit--实现Git命令操作的Java API
- 细粒度图像分割 (FGIS)
- rsync 模块同步失败
- 802.11ac/ax (wifi6)中的Beamforming技术介绍
- DebugHook 与 ReportMemoryLeaksOnShutdown
- 手机/移动前端开发需要注意的20个要点
- window.parent ,window.top,window.self 详解
- php移动代码,移动专区周级收录如何提交 复制这段php代码即可
- 迭代器 java_Java设计模式8:迭代器模式
- 美团外卖自动化业务运维系统 - Alfred
- CWinApp的应用与理解
- UVA10162 Last Digit【数学规律】
- 南阳理工学院计算机acm,南阳理工学院计算机学院ACM队成员获奖情况[荣誉记]
- Serializer和ModelSerializer
- EasyRecovery2020数据恢复软件激活码序列号秘钥下载及使用恢复教程
- 创新检查技术,赋能保密监管 ,您需要一款这样的数据库内容保密检查系统!
- 毕业设计So Easy:基于Java Web学生选课系统
- 模板文件如何调用php函数,模板文件调用方法与路径
- LINUX IIO子系统分析之五IIO BUFFER子模块实现分析
- golang中channel的传递
热门文章
- android studio service directory path,Android Studio User目录缓存搬移到指定目录
- SpringBoot项目启动时控制台乱码,怎么办?
- 第2章[2.5] Ext JS组件、容器与布局
- python查看内置模块,python快速查看内置模块函数
- android 短信优先级,Android-消息机制
- Train Problem II(卡特兰数 组合数学)
- Spring Data Jpa 不打印sql参数
- android工程的建立,第一个Android项目HelloWorld的建立及剖析
- 只学一门java可行吗,java可以作为第一门编程语言学习吗
- ecs mysql 安装_CentOS8 安装MySQL8(ECS系列二)