基本隐马尔可夫模型，维特比算法

Question

我对隐马尔可夫模型相当陌生，我试图将我的头围绕理论的一个非常基本的部分。

我想使用一个HMM作为分类器，所以，给定一个时间序列的数据我有两个类：背景和信号。

每个班级的排放概率如何估算？维特比算法是否需要背景和信号的模板来估计概率（数据|状态）？还是我完全错过了这一点？

Answer 1

要使用维特比进行分类，您需要已经知道模型参数。
背景和信号是你的两个隐藏状态。通过模型参数和观测数据，您可以使用维特比来计算最可能的隐藏状态序列。

引述hmmlearn documentation：

的HMM是一种生成概率模型，其中通过内部隐藏 一个序列产生可观察到的 X变量序列各州Z.隐藏状态不直接观察。假设隐藏状态之间的转换为 （一阶）马尔可夫链。它们可以通过开始 概率向量π和转移概率矩阵A来指定。可观测值的发射概率可以是以当前隐藏状态为条件的任何分布参数。 HMM是完全由π，A和θ确定的 。

。

存在用于隐藏式马尔克夫模型的三个基本问题：

Given the model parameters and observed data, estimate the optimal sequence of hidden states. 
Given the model parameters and observed data, calculate the likelihood of the data. 
Given just the observed data, estimate the model parameters. 

第一和第二个问题可以通过已知的维特比算法的动态 编程算法和 正倒向算法，分别得到解决。最后一个可以通过称为 Baum-Welch算法的迭代期望最大化（EM）算法来解决 。

Answer 2

所以我们对隐马尔可夫模型，噪声和信号有两个状态。我们也必须有我们观察到的东西，它们可以是零和零。基本上，信号是零信号，零点是噪声，但是你会得到几个与你的信号混合的零和几个有噪声的零。所以，你需要知道

Probablity of 0,1 when in the "noise" state 
Probability of 0,1 when in the "signal" state 
Probability of transitioning to "signal" when in the "noise" state. 
Probability of transitioning to "noise" when in the "signal" state. 

所以我们跟踪每个状态的概率为每个时隙和关键的是，我们到了那里最有可能的途径（基于转移概率）。然后我们假设在时间序列末尾最可能的状态是我们实际的最终状态，并向后追溯。