标签：Pre right 维特 解码 路径 马尔可夫 最优 节点 left

一、概述

  维特比算法是安德鲁.维特比(Andrew Viterbi)于1967年为解决通信领域中的解码问题而提出的，它同样广泛用于解决自然语言处理中的解码问题，隐马尔可夫模型的解码是其中典型的代表。无论是通信中的解码问题还是自然语言处理中的解码问题，本质上都是要在一个篱笆网络中寻找得到一条最优路径。
  所谓篱笆网络，指的是单向无环图，呈层级连接，各层节点数可以不同。如图是一个篱笆网络，连线上的数字是节点间概念上的距离（如间距、代价、概率等），现要找到一条从起始点到终点的最优路径。

  在实际问题中，节点数和层数往往是大量的，因而采取遍历所有的路径计算其距离进行比较的方式是不可行的。维特比算法正是通过动态规划的方式高效求得这条最优路径。

二、维特比算法

1.算法原理

  该问题具有这样一个特性，对于最优（如最短距离）的路径，任意一段子路径一定是该段两端点间所有可达路径中最优的，如若不然，将该段中更优的子路径接到两端点便构成了另一个整体最优路径，这是矛盾的。或者说，最优路径中，从起始点到由近及远的任一点的子路径，一定是该段所有可达路径中最优的。也即，整体最优，局部一定最优。

  该特性也就是说，对每个节点而言，如果最优路径经过这一点，则一定是经过从起始点到这点的这段最优路径。那么，只要从头开始，由局部向整体推进，渐次地找到起始点到当前点的最优路径，算至终点便得到了整体最优路径。这样的方式叫做动态规划，是维特比算法的基本思想。
维特比算法求解篱笆网络最短路径的过程为：
  从第一层开始，对每一层的每一个节点，计算出起始点到它的最短距离，并记录下相应最短路径下它的前一个节点，逐层递推，算至终止点时便得到了整体最短距离，再依照节点记录下的前置节点进行回溯，就得到了最短路径的序列。对第\(i\)层第\(j\)个节点\(P_{i,j}\)，假设起始点到它的最短距离为\(D\left( P_{i,j} \right)\)，相应最短路径下它的前一个节点为\(Pre\left( P_{i,j} \right)\)，则

\[D\left( P_{i,j} \right)=\min_{1\leq k \leq N}{\left[ D_{i-1,k}+d(P_{i-1,k},P_{i,j}) \right]} \]

也就是，对前一层的所有节点，计算每一个节点的记录的最短距离D与它到当前节点的距离d的和，取其中最小的那个值（其中， \(d(A,B)\)表示A,B两节点间的距离。）.

\[Pre\left( P_{i,j} \right)=P_{i-1,j\ast}=arg\min_{1\leq k \leq N}{\left[ D_{i-1,k}+d(P_{i-1,k},P_{i,j}) \right]} \]

也就是，满足距离最短的那条路径上在前一层的节点.

2.示例

  在如下网络中，连线上的数字是节点间的距离，求S点到E点的最短距离和与之对应的路径。

第一层：
对节点\(P_{1,1}\)，
起始点到它只有一条路径，最短距离\(D(P_{1,1})=2\)，前一个节点\(Pre(P_{1,1}) = S\)；

对节点\(P_{1,2}\)，
起始点到它只有一条路径，最短距离 \(D(P_{1,2}) = 1\)，前一个节点\(Pre(P_{1,2}) = S\)；

对节点\(P_{1,3}\)，
起始点到它只有一条路径，最短距离\(D(P_{1,3}) = 3\)，前一个节点\(Pre(P_{1,3}) = S\) 。

第二层：
对节点 \(P_{2,1}\)，
\(D(P_{1,1}) + d(P_{1,1}，P_{2,1}) = 2 + 3 = 5\)，
\(D(P_{1,2}) + d(P_{1,2}，P_{2,1}) = 1 + 2 = 3\) ，
\(D(P_{1,3}) + d(P_{1,3}，P_{2,1}) = 3 + 9 = 12\)，
最短距离 \(D(P_{2,1}) = min\left\{ 5,3,12 \right\} = 3\)，前一个节点\(Pre(P_{2,1}) = P_{1,2}\) ;

对节点\(P_{2,2}\) ，
\(D(P_{1,1}) + d(P_{1,1}，P_{2,2}) = 2 + 6 = 8\)，
\(D(P_{1,2}) + d(P_{1,2}，P_{2,2}) = 1 + 5 = 6\)，
\(D(P_{1,3}) + d(P_{1,3}，P_{2,2}) = 3 + 2 = 5\)，
最短距离\(D(P_{2,2}) = min\left\{ 8,6,5 \right\} = 5\)，前一个节点\(Pre(P_{2,2}) = P_{1,3}\) ;

对节点\(P_{2,3}\)，
\(D(P_{1,1}) + d(P_{1,1}，P_{2,3}) = 2 + 4 = 6\) ，
\(D(P_{1,2}) + d(P_{1,2}，P_{2,3}) = 1 + 7 = 8\)，
\(D(P_{1,3}) + d(P_{1,3}，P_{2,3}) = 3 + 6 = 9\) ，
最短距离\(D(P_{2,3}) = min\left\{ 6,8,9 \right\} = 6\)，前一个节点\(Pre(P_{2,3}) = P_{1,1}\) ;

第三层：
对节点 \(P_{3,1}\)，
\(D(P_{2,1}) + d(P_{2,1}，P_{3,1}) = 3 + 9 = 12\)，
\(D(P_{2,2}) + d(P_{2,2}，P_{3,1}) = 5 + 2 = 7\)，
\(D(P_{2,3}) + d(P_{2,3}，P_{3,1}) = 6 + 6 = 12\)，
最短距离\(D(P_{3,1}) = min\left\{ 12,7,12 \right\} = 7\)，前一个节点\(Pre(P_{3,1}) = P_{2,2}\);

对节点\(P_{3,2}\)，
\(D(P_{2,1}) + d(P_{2,1}，P_{3,2}) = 3 + 3 = 6\)，
\(D(P_{2,2}) + d(P_{2,2}，P_{3,2}) = 5 + 6 = 11\)，
\(D(P_{2,3}) + d(P_{2,3}，P_{3,2}) = 6 + 3 = 9\)，
最短距离\(D(P_{3,2}) = min\left\{ 6,11,9 \right\} = 6\)，前一个节点\(Pre(P_{3,2}) = P_{2,1}\);

对节点\(P_{3,3}\)，
\(D(P_{2,1}) + d(P_{2,1}，P_{3,3}) = 3 + 8 = 11\)，
\(D(P_{2,2}) + d(P_{2,2}，P_{3,3}) = 5 + 7 = 12\)，
\(D(P_{2,3}) + d(P_{2,3}，P_{3,3}) = 6 + 4 = 10\)，
最短距离\(D(P_{3,3}) = min\left\{ 11,12,10 \right\} = 10\)，前一个节点\(Pre(P_{3,3}) = P_{2,3}\);

第四层（终点）：
对节点 \(E\)，
\(D(P_{3,1}) + d(P_{3,1}，E) = 7 + 3 = 10\)，
\(D(P_{3,2}) + d(P_{3,2}，E) = 6 + 7 = 13\)，
\(D(P_{3,3}) + d(P_{3,3}，E) = 10 + 6 = 16\)，
最短距离\(D(E) = min\left\{ 10,13,16 \right\} = 10\)，前一个节点\(Pre(E) = P_{3,1}\);

又\(Pre(E) = P_{3,1}\)，\(Pre(P_{3,1}) = P_{2,2}\)，\(Pre(P_{2,2}) = P_{1,3}\)，\(Pre(P_{1,3}) = S\)
故最短距离为10，与之对应的路径为（\(S\)，\(P_{1,3}\)，\(P_{2,2}\)，\(P_{3,1}\)，\(E\)）.

三、隐马尔可夫模型的解码

1.问题描述

  隐马尔可夫模型（HMM）的解码问题指，给定模型和输出序列，如何找出最有可能产生这个输出的状态序列。自然语言处理中，也即如何通过观测信号确定最有可能对应的实际语义。在状态序列上，每个状态位是状态集合中的元素之一，因此该问题等价于在状态集合中的节点构成的有向网络（篱笆网络）中找出一条概率最大的路径（最优路径），如图。该问题可以通过维特比算法得到高效的解决。

2.算法叙述

  假设 \(P(s_{t,j})\)表示从起始时刻到\(s_{t,j}\)的最优路径的概率，\(Pre(s_{t,j})\)表示从起始时刻到 \(s_{t,j}\)的最优路径上前一个节点，则隐马尔可夫模型的维特比解码算法为：

输入：隐马尔可夫模型 \(\lambda=(\pi,A,B)\)和观测 \(O=(o_1,o_2,...,o_T)\)；
输出：最优状态序列\(S^{\ast}=(s_{1}^{\ast},s_{2}^{\ast},...,s_{T}^{\ast})\).
(1)初始化
    \(P(s_{1,j})=\pi_{j}b_{j}(o_1)\)，
    \(Pre(s_{1,j})=None\)，\(j=1,2,...,N\)

(2)递推
 对 \(t=2,3,...,T\)

\[P(s_{t,j})=\max_{1\leq k \leq N}{\left[ P(s_{t-1,k})a_{kj} \right]b_{j}(o_t)} \]

\[Pre(s_{t,j})=arg\max_{1\leq k \leq N}{\left[ P(s_{t-1,k})a_{kj} \right]}$$，$j=1,2,...,N$. (3)递推终止  最大概率$$P^{\ast}=\max_{1\leq j \leq N}{P(s_{T,j})}\]

 最优路径上的最后一个状态$$s_{T}^{\ast}=arg\max_{1\leq j \leq N}{\left[ P(s_{T,j}) \right]}$$

(4)回溯路径，确定最优状态序列
    \(S^{\ast}=\left( s_{1}^{\ast},s_{2}^{\ast},...,s_{T-1}^{\ast},s_{T}^{\ast} \right)\)
     \(=\left( Pre(s_{2}^{\ast}),Pre(s_{3}^{\ast}), ...,Pre(s_{T}^{\ast}),s_{T}^{\ast}\right)\)

3.示例

（参考自《统计学习方法》）
状态集合 \(Q=\left\{ q_1, q_2, q_3 \right\}\)，观测集合\(V=\left\{ 0,1 \right\}\)，模型 \(\lambda=\left( \pi,A,B \right)\) ，

\(A=\begin{bmatrix} 0.5 & 0.2 & 0.3 \\ 0.3 & 0.5 & 0.2 \\ 0.2 & 0.3 & 0.5 \\ \end{bmatrix}\) , \(B=\begin{bmatrix} 0.5 & 0.5 \\ 0.4 & 0.6 \\ 0.7 & 0.3 \end{bmatrix}\),\(\pi=\left( 0.2, 0.4, 0.4 \right)^{T}\)

已知观测序列\(O=\left( 0, 1, 0 \right)\)，求最优状态序列。

解：
(1)在t=1时（初始化），对每一个状态，求观测为0的最大概率
 \(P(s_{1,1})=0.2\times0.5=0.1\)，\(Pre(s_{1,1})=None\)
 \(P(s_{1,2})=0.4\times0.4=0.16\)，\(Pre(s_{1,2})=None\)
 \(P(s_{1,3})=0.4\times0.7=0.28\)，\(Pre(s_{1,3})=None\)

(2)在t=2时，对每一个状态，求观测为1的
 最大概率$$P(s_{2,j})=\max_{1 \leq k \leq 3}{\left[ P(s_{1,k})a_{kj} \right]b_{j}(1)}$$
 当前最优的前一个状态$$Pre(s_{2,j})=arg\max_{1 \leq k \leq 3}{\left[ P(s_{1,k})a_{kj} \right]}$$，\(j=1,2,3.\)
\(P(s_{2,1})=max\left\{ 0.1\times0.5\times0.5, 0.16\times0.3\times0.5, 0.28\times0.2\times0.5 \right\}\)\(=0.028\)

\(Pre(s_{2,1})=s_{1,3}=q_3\)

\(P(s_{2,2})=max\left\{ 0.1\times0.2\times0.6,0.16\times0.5\times0.6,0.28\times0.3\times0.6 \right\}\)\(=0.0504\)

\(Pre(s_{2,2})=s_{1,3}=q_3\)

\(P(s_{2,3})=max\left\{ 0.1\times0.3\times0.3, 0.16\times0.2\times0.3,0.28\times0.5\times0.3 \right\}\)\(=0.042\)

\(Pre(s_{2,3})=s_{1,3}=q_3\)

(3)在t=3时，对每一个状态，求观测为0的
 最大概率 $$P(s_{3,j})=\max_{1 \leq k \leq 3}{\left[ P(s_{2,k})a_{kj} \right]b_{j}(0)}$$
 当前最优的前一个状态$$Pre(s_{3,j})=arg\max_{1 \leq k \leq 3}\left[ P(s_{2,k})a_{kj} \right]$$，\(j=1,2,3.\)

\(P(s_{3,1})=max\left\{ 0.028\times0.5\times0.5, 0.0504\times0.3\times0.5,0.042\times0.2\times0.5 \right\}\)\(=0.00756\)

\(Pre(s_{3,1})=s_{2,2}=q_2\)

\(P(s_{3,2})=max\left\{ 0.028\times0.2\times0.4, 0.0504\times0.5\times0.4, 0.042\times0.3\times0.4 \right\}\)\(=0.01008\)

\(Pre(s_{3,2})=s_{2,2}=q_2\)

\(P(s_{3,3})=max\left\{ 0.028\times0.3\times0.7,0.0504\times0.2\times0.7,0.042\times0.5\times0.7 \right\}\)\(=0.0147\)

\(Pre(s_{3,3})=s_{2,3}=q_3\)

(4)得到结果.
 最大概率
  \(P^{\ast}=\max_{1 \leq j \leq 3}P\left( s_{3,j} \right)\)
   \(=max\left\{ 0.00756,0.01008,0.0147 \right\}\)
   \(=0.0147\)
 最优状态序列
  \(S^{\ast}=\left( Pre(s_{2}^{\ast})t,Pre(s_{3}^{\ast}),s_{3}^{\ast} \right)\)
   \(=\left( s_{1,3},s_{2,3},s_{3,3} \right)\)
   \(=\left( q_3,q_3,q_3 \right)\)

4.python实现

对上述HMM解码示例的python实现程序为

import numpy as np

def viterbi(pi, A, B, Q, V, obs_seq):
    '''
    :param pi:HMM初始状态概率向量，list类型
    :param A:HMM状态转移概率矩阵，list类型
    :param B:HMM观测生成概率矩阵，list类型
    :param Q:状态集合，list类型
    :param V:观测集合，list类型
    :param obs_seq:观测序列，list类型
    :return:最优状态序列的概率sta_pro，float类型；最优状态序列sta_seq，list类型
    '''

    # HMM模型参数转换为array类型
    pi = np.array(pi)
    A = np.array(A)
    B = np.array(B)

    # 1.定义动态计算结果存储矩阵
    rowNum = len(Q)  # 行数，状态数
    colNum = len(obs_seq)  # 列数，生成的观测数，即时刻数

    # 存储节点当前最大概率的矩阵
    probaMatrix = np.zeros((rowNum,colNum))

    # 存储当前最优路径下的前一个节点的矩阵
    preNodeMatrix = np.zeros((rowNum,colNum))

    # 2.初始化（第1时刻）
    probaMatrix[:,0] = pi*np.transpose(B[:,obs_seq[0]])
    preNodeMatrix[:,0] = [-1]*rowNum  # 第1时刻节点的前一个节点不存在，置为-1

    # 3.递推，第2时刻至最后
    for t in range(1, colNum):
        list_pre_max_proba = []  # 节点最大前置概率列表
        list_pre_node = []  # 节点当前最优路径中前一个节点列表
        for j in range(rowNum):
            pre_proba_list = list(np.array(probaMatrix[:,t-1])*np.transpose(A[:,j]))  # 前置概率列表，前一时刻的节点最大概率与到当前节点转移概率的乘积
            '''
            注：因为计算机的二进制机制对小数的表达是有限的，所以对小数作运算将产生一定的误差。
            在使用函数获取pre_proba_list中的最大值和对应的索引时，为有效降低这种误差，将数据放大后再进行操作。
            '''
            pre_proba_list = [x*pow(10,5) for x in pre_proba_list]  # 放大100000倍
            prePro = max(pre_proba_list)/pow(10,5)  # 最大前置概率
            preNodeIndexNum = pre_proba_list.index(max(pre_proba_list))  # 前置节点的索引号
            list_pre_max_proba.append(prePro)  # 最大前置概率加入列表
            list_pre_node.append(preNodeIndexNum)  # 前置节点的索引号加入列表

        probaMatrix[:,t] = np.array(list_pre_max_proba)*np.transpose(B[:,obs_seq[t]])  # 最大前置概率乘上观测概率，即为当前最大概率
        preNodeMatrix[:,t] = list_pre_node  # 将该列前置节点索引号加入矩阵

    # 此时，得到了完整的probaMatrix和preNodeMatrix，对这两个矩阵进行操作便可得到需要的结果
    # 4.得到最大概率
    maxPro = np.max(probaMatrix[:, colNum-1])  # 全局最大概率（即最后一列的最大值）

    # 5.得到最优状态序列的状态索引号列表
    lastStateIndexNum = np.argmax(probaMatrix[:, colNum-1])  # 最优状态序列中最后一个状态的索引号
    stateIndexList = []  # 定义最优状态的索引号列表
    stateIndexList.append(lastStateIndexNum)

    # 回溯，完成状态索引号列表
    currentIndex = lastStateIndexNum;
    for t in range(colNum-1, 0, -1):
        fls = preNodeMatrix[:, t].tolist()  # 矩阵中的数值是浮点型
        ls = list(map(int, fls))  # 转为整型
        currentIndex = ls[currentIndex]
        stateIndexList.append(currentIndex)

    stateIndexList.reverse()  # 反转列表

    # 6.由索引号序列得到最优状态序列
    stateSeq = [Q[i] for i in stateIndexList]

    return maxPro,stateSeq

if __name__=='__main__':
    # 状态集合
    Q = ["q1", "q2", "q3"]

    # 观测集合
    V = [0, 1]

    # 初始状态概率向量
    pi = [0.2, 0.4, 0.4]

    # 状态转移概率矩阵
    A = [[0.5, 0.2, 0.3],
         [0.3, 0.5, 0.2],
         [0.2, 0.3, 0.5]]

    # 观测概率矩阵
    B = [[0.5, 0.5],
         [0.4, 0.6],
         [0.7, 0.3]]

    # 观测序列
    obs_seq = [0, 1, 0]

    maxPro, stateSeq = viterbi(pi, A, B, Q, V, obs_seq)

    print("最大概率为：", maxPro)
    print("最优状态序列为：", stateSeq)

End.

参考

1. 吴军. 数学之美(第二版). 人民邮电出版社.
2. 李航. 统计学习方法. 清华大学出版社.
3. https://www.cnblogs.com/zhibei/p/9391014.html

标签：Pre,right,维特,解码,路径,马尔可夫,最优,节点,left
来源： https://www.cnblogs.com/flyup/p/15478027.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。