4

我对 matlab、隐藏马尔可夫模型和机器学习非常陌生，并且正在尝试对给定的信号序列进行分类。请让我知道我遵循的方法是否正确：

  1. 创建一个 N × N 转换矩阵并填充每行总和为 1 的随机值。（N 将是状态数）
  2. 创建一个 N x M 发射/观察矩阵并填充每行总和为 1 的随机值

  3. 将序列的不同实例（即每个实例都会说单词 'hello' ）转换为一个长流并将每个流馈送到 hmm train 函数，这样：

    new_transition_matrix old_transition_matrix = hmmtrain(sequence,old_transition_matrix,old_emission_matrix)

  4. 给出最终的转换和发射矩阵，以用未知序列进行 hmm 解码以给出概率，即[posterior_states logrithmic_probability] = hmmdecode( sequence, final_transition_matrix,final_emission_matris)

4

1 回答 1

3

1.和2.是正确的。你必须小心你的初始转换和发射矩阵不是完全一致的，它们应该稍微随机化以便训练起作用。

3.我只会分别输入“Hello”序列，而不是将它们连接起来形成一个长序列。

假设这是 Hello: 的序列 [1,0,1,1,0,0]。如果你从 3 个“Hello”序列中形成一个长序列，你会得到：

data = [1,0,1,1,0,0,1,0,1,1,0,0,1,0,1,1,0,0]

这并不理想，相反，您应该分别输入序列，例如：

data = [1,0,1,1,0,0; 1,0,1,1,0,0; 1,0,1,1,0,0].

由于您使用的是 MatLab，我建议您使用 Murphy 的HMM 工具箱。它有一个关于如何训练具有多个观察序列的 HMM 的演示：

M = 3;
N  = 2;

% "true" parameters
prior0 = normalise(rand(N ,1));
transmat0 = mk_stochastic(rand(N ,N ));
obsmat0 = mk_stochastic(rand(N ,M));

% training data: a 5*6 matrix, e.g. 5 different 'Hello' sequences of length 6
number_of_seq = 5;
seq_len= 6;
data = dhmm_sample(prior0, transmat0, obsmat0, number_of_seq, seq_len);

% initial guess of parameters
prior1 = normalise(rand(N ,1));
transmat1 = mk_stochastic(rand(N ,N ));
obsmat1 = mk_stochastic(rand(N ,M));

% improve guess of parameters using EM
[LL, prior2, transmat2, obsmat2] = dhmm_em(data, prior1, transmat1, obsmat1, 'max_iter', 5);
LL

4.你说的对，下面是你在HMM工具箱中计算对数概率的方法：

% use model to compute log[P(Obs|model)]
loglik = dhmm_logprob(data, prior2, transmat2, obsmat2)

最后：看看Rabiner 的这篇论文，如果有什么不清楚的地方，数学是如何工作的。

希望这可以帮助。

于 2013-10-18T10:31:11.863 回答