标签：状态 概率 输出 0.7 观测 HMM 算法 理解 时刻
长这样：
理解的前提：
（1）状态：生成观测值的变量（上图中的“吃”和“睡”）。
（2）观测值：状态乘上输出概率对应的输出（上图中的橙色节点）。
（3）输出概率：输出概率矩阵里面的某个元素（状态和观测值两层之间的某个权重参数）。
（4）输出概率矩阵：由输出概率组成的矩阵。
（5）bi: 第i个状态（比如”睡“）输出所有观测值对应的概率构成的行向量（上图中所有红线构成的行向量）。
（6）o1：表示我要输出第一个观测值。不是把o1做为自变量输入到bi中，只是一个记号（个人表示没什么用）。
（7）Πi：走 第i个状态的初始概率（p(start->吃)=0.3)。
（8）αi(t)：（阿尔法）在给定马尔可夫模型中，到t时刻为止，状态们在t个时刻，每个时刻都由所有状态中的一个输出某个观测值，一共输出了t个观测值观测序列，记为,
，并且t时刻输出Ot的状态为qi（状态用q表示），把出现上述场景的概率记作αi(t)，称作前向概率（应该是在做前向计算，所以形象成为”前向概率“）。
（9）aij：（字母a，注意不是阿尔法，在第一张图中的“推导”公式里面的）概率转移矩阵中第i行，第j列对应的概率（今天为第i个状态，明天为第j个状态的概率。网络图示中“吃->吃”、“吃->睡”和“睡->睡”之间连线的数 值）。
（10）转移概率矩阵：如下图A所示。
理解
：
表示第1时刻，第i个状态的初始概率Πi乘以第i个状态对应的输出矩阵的第i行向量。
例如：假设第i个状态为“睡”，那么Πi等于0.7，bi等于[0.3,0.5,0.2]，那么第1时刻的状态为“睡”，观测值为“哭”、“没精神”和“找妈妈”的概率分别为0.7*[0.3,0.5,0.2]，如果第一时刻的观测值为“哭”，那么α1(t)=0.21.
：
t+1时刻，所有t时刻的前向概率里面按时的t时刻的状态转化为j状态后再乘以j对应的输出概率总和。
以第2时刻为例：状态j为“吃”，那么αj(t+1)表示第二时刻，第二状态为“吃”，观测值序列为的O1O2概率，其等于第1时刻的前向概率αi(t) 乘以 第一时刻的前向概率里面暗示的第一时刻的状态i转化为状态j的概率(aij),i有可能是“吃”，也有可能是“睡”，我们要计算的是第2时刻状态为“吃”的概率，根据马尔可夫模型，第二时刻的“吃”和第一时刻的状态有关，但是我们不知道第一时刻到底是什么状态，所以用概率的方式全部考虑进来。
[0.21,0.03,0.02]*0.1*bjo2(0.1表示“吃1”->“吃2”的概率）+[0.21,0.15,0.14]*0.9*bjo2(0.9表示“睡1”->“吃2”的概率）
乘上转移概率之后，在乘以“吃”对应的输出概率行向量：
[0.021,0.003,0.002]Tx[0.7,0.1,0.2] + [0.189,0.135,0.126]Tx[0.7,0.1,0.2]（考虑了所有情况，可能会有点费解，请看下一行）
如果第一时刻的观测值为“哭”，第二时刻的状态为“吃”,观测值为“哭”，那么αj(t+1)=0.21*0.1*0.7=0.0147 + 0.21*.0.9*0.7=0.1323.
：
μ：给定的马尔可夫模型。
O：1-T+1时刻的观测值序列。
在马尔可夫模型μ中，输出序列O的概率为：输出O并且T+1时刻的状态为qi的概率综合。
本文截图部分来自：隐马尔科夫模型（HMM）一前向与后向算法 - 知乎 (zhihu.com)
标签：状态,概率,输出,0.7,观测,HMM,算法,理解,时刻 来源： https://www.cnblogs.com/hisi-tech/p/16026253.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。