matlab中的隐马尔可夫模型(HMM)实现

        原文链接:http://tecdat.cn/?p=7960

         

        隐马尔可夫模型(HMM)简介

        隐马尔可夫模型(HMM)是一个在你观察到的输出顺序,但不知道状态序列模型产生输出的过程。隐马尔可夫模型的分析试图从观察到的数据中恢复状态序列。

        例如,考虑具有两个状态和六个可能输出的马尔可夫模型。该模型使用:

        • 红色骰子,有六个面,标记为1到6。

        • 一个绿色骰子,具有十二个侧面,其中五个侧面标记??为2到6,其余七个侧面标记??为1。

        • 加权的红色硬币,正面出现概率为.9,背面出现概率为1.。

        • 加权绿色硬币,其正面概率为0.95,背面概率为.05。

        该模型使用以下规则从集合{1、2、3、4、5、6}中创建数字序列:

        • 首先滚动红色骰子,然后写下出现的数字 。

        • 投掷红色硬币并执行以下操作之一:

          • 如果结果为正面,则滚动红色骰子并记下结果。

          • 如果结果是反面,则滚动绿色骰子并记下结果。

        • 在随后的每个步骤中,您翻转与上一步中滚动的骰子颜色相同的颜色的硬币。如果硬币正面朝上,则与上一步骤滚动相同的骰子。如果硬币出现反面,请切换到另一个骰子。

        该模型的状态图具有红色和绿色两种状态,如下图所示。

        分享图片分享图片?

         

        您可以通过滚动具有与状态相同颜色的骰子来确定状态的发射。您可以通过翻转与状态相同颜色的硬币来确定到下一个状态的过渡。

        转换矩阵为:

        = [0.90.050.10.95]

        输出矩阵为:

        分享图片分享图片?

        该模型不是隐藏的,因为您可以从硬币和骰子的颜色知道状态的顺序。但是,假设其他人 没有向您显示骰子或硬币。您所看到的只是输出的顺序。如果开始看到的数字比其他数字多1,则可能会怀疑骰子处于绿色状态,但由于无法看到要滚动的骰子的颜色,因此无法确定。

        隐藏的马尔可夫模型提出以下问题:

        • 给定一系列输出,最可能的状态路径是什么?

        • 给定一系列输出,您如何估算模型的转换和输出概率?

        • 什么是后验概率

        分析隐马尔可夫模型

         

        本节说明如何来分析隐马尔可夫模型。

        生成测试序列

         

        TRANS = [.9 .1; .05 .95];
        
        EMIS = [1/6, 1/6, 1/6, 1/6, 1/6, 1/6;...
        7/12, 1/12, 1/12, 1/12, 1/12, 1/12];
        分享图片

        要从模型生成状态和发射的随机序列 :

        输出seq是序列,输出states是状态序列。

        估计状态序列

         

        likelystates是与长度相同的序列seq

        要测试的准确性hmmviterbi 

        sum(states==likelystates)/1000
        ans =
           0.8200
        分享图片

        在这种情况下,最有可能的状态序列在82%的时间内与随机序列一致。

         

        估算转移和输出矩阵

         返回转换矩阵和输出矩阵的估计值:

        您可以将输出与原始 矩阵进行比较, TRANS并且EMIS

        TRANS
        TRANS =
        0.9000    0.1000
        0.0500    0.9500
        
        EMIS
        EMIS =
        0.1667    0.1667    0.1667    0.1667    0.1667    0.1667
        0.5833    0.0833    0.0833    0.0833    0.0833    0.0833
        分享图片

         

        假设您对TRANS和 有以下初步猜测EMIS

        TRANS_GUESS = [.85 .15; .1 .9];
        EMIS_GUESS = [.17 .16 .17 .16 .17 .17;.6 .08 .08 .08 .08 08];
        分享图片

        您估计TRANSEMIS如下:

        TRANS_EST2 =
        0.2286    0.7714
        0.0032    0.9968
        
        EMIS_EST2 =
        0.1436    0.2348    0.1837    0.1963    0.2350    0.0066
        0.4355    0.1089    0.1144    0.1082    0.1109    0.1220
        分享图片

         如果算法在最大迭代次数(默认值为)内未能达到此容差100,则算法将暂停。 

        如果算法未能达到所需的容差,请使用以下命令增加最大迭代次数的默认值:

        其中,maxiter是算法执行的最大步骤数。

         

         

        估计后验状态概率

         

        输出PSTATESM × L矩阵,其中M为状态数,L为的长度seqPSTATES(i,j)是条件概率,该模型处于状态i时,它产生j的 seq给出的是,seq 

        要返回序列概率的对数seq,请使用第二个输出参数hmmdecode

        随着序列长度的增加,序列的概率趋于0 。

        更改初始状态分布

        默认情况下, 隐藏的Markov模型函数从状态1开始。换句话说,初始状态的分布将其所有概率质量都集中在状态1处。要分配不同的概率分布,p = [ 1,2,...,M ],到M个初始状态,执行以下操作:

        如果转换矩阵和发射矩阵分别为TRANSEMIS,则可以使用以下命令来创建增强矩阵:

        TRANS_HAT = [0 p; zeros(size(TRANS,1),1) TRANS];
        
        EMIS_HAT = [zeros(1,size(EMIS,2)); EMIS];

        有问题欢迎联系我们!

         

        大数据部落 -中国专业的第三方数据服务提供商,提供定制化的一站式数据挖掘和统计分析咨询服务

        统计分析和数据挖掘咨询服务:y0.cn/teradat(咨询服务请联系官网客服

        分享图片?点击这里给我发消息QQ:3025393450

        分享图片?

        【服务场景】  

        科研项目; 公司项目外包;线上线下一对一培训;数据采集;学术研究;报告撰写;市场调查。

        【大数据部落】提供定制化的一站式数据挖掘和统计分析咨询

        分享图片

        欢迎选修我们的R语言数据分析挖掘必知必会课程!

        分享图片

         

         
        分享图片
        相关文章
        相关标签/搜索
        管家婆精选心水黄大仙 平顺县| 潜山县| 名山县| 高唐县| 衡东县| 汝州市| 牡丹江市| 胶州市| 南汇区| 文成县| 安丘市| 汝州市| 清河县| 仁化县| 社会| 武胜县| 嘉义县| 拉萨市| 牡丹江市| 高碑店市| 微博| 措勤县| 蒲江县| 玛沁县| 琼结县| 古蔺县| 奉贤区| 万山特区| 宁阳县| 乌海市| 焉耆| 丰县| 呼伦贝尔市| 增城市| 石首市| 肇庆市| 伊川县| http://fa.hz0j1r6vo.fun http://fa.hz0j1r0vo.fun http://fa.hz0j1r8vo.fun http://fa.hz0j1r5vo.fun http://fa.hz0j0r8vo.fun