问题标签 [hidden-markov-models]

我阅读了很多隐藏的马尔可夫模型，并且能够自己编写一个非常基本的版本。

但我似乎有两种主要的学习方式。一是阅读并将其实现为代码（已完成），二是了解它在不同情况下的应用（这样我可以更好地理解它与我可能正在处理的问题的关系）。到目前为止，我所做的所有示例都涉及某种 dna 预测或抛硬币。

我想知道是否有任何资源可以解决其他马尔可夫问题（语言无关紧要，但希望也有答案，这样我就可以知道我是对还是错）？

获得和的加权平均值的ab最简单/最短/最Pythonic的方法是什么？

这样得到的结果c = [(a * a_weight) + (b * b_weight) / (a_weight + b_weight)]应该具有相同的结构（如a和b）。

如果有人知道 Pythonic 的答案，谢谢。

c生成的结构示例

例如，如果a_weight= b_weight= 0.5（一个简单的平均值），那么c的第一'P':行

'P': {'P': (0.9 + 0.3) / 2, 'Z': (0.1 + 0.3) / 2, 'N': (0.0 + 0.3) / 2}

平均为

a的'P': {'P': 0.9, 'Z': 0.1, 'N': 0.0}和
b的'P': {'P': 0.3, 'Z': 0.3, 'N': 0.3}.

基本上，只是values 的平均值（而每个都key保持原样）。

我正在 python 中进行手势识别，我发现可以管理隐藏马尔可夫模型的更完整的库之一是nltk。但是有一点我无法理解。

首先，数据。我有手势的坐标，我已经将它们聚集在 8 个集群中（使用 k-means）。所以这是我的手势结构：

现在我想用我的 . 所以 HiddenMarkovModelTrainer 是我的课。

我在互联网上发现了一些更多的 baum welch 实现，但仅限于 Matlab。这个算法的实现通常需要这个输入：

其中 - X 是火车的数据（在我的情况下 - 标签） - 数据的可能值的字母表（在我的情况下 - 0,1,2,3,4,5,6,7） - H 隐藏的数量状态

现在我很困惑，因为在 ntlk.HiddenMarkovModelTrainer 构造函数中我必须给出状态和符号，我不知道它们应该是什么，考虑到训练 X 的数据是 HiddenMarkovModelTrainer.train_unsupervised() 方法的输入，我认为我的字母表是符号..我不知道在州里放什么。

即使我的英语很差，我也希望我的解释清楚。

K-means聚类和向量量化有什么区别？

它们似乎非常相似。

我正在处理隐马尔可夫模型，我需要从特征向量中提取符号。

为了提取符号，我是做矢量量化还是 k-means 聚类？

我想使用 C# WPF API 将隐马尔可夫模型应用于 Kinect。我不确定这是否可能？你怎么看？这是一部好作品还是不好？我的意思是有些朋友说 C++ 或 Matlab 是更好的应用程序 API。但是，我不知道那些。我在网上没有找到任何 HMM C# 示例代码。我应该开始吗？感谢您的任何赞扬。

我收到此错误：

但

为什么去我得到这个错误？我尝试添加

到我的 PythonPATH

但它没有用。

我需要根据加速度计的运动模式数据训练分类器。对于每个时间样本，我都存储了 XY 和 Z 坐标。因此，在我的数据集中表示单个动作，如下所示：

其中 [] 之间的值表示 XYZ 分量。

起初我认为隐马尔可夫模型最适合我的问题。但是我在定义数据中的状态时遇到了麻烦。我发现的所有示例都有明确定义的有限状态集（即下雨、晴天或阴天）。我的数据集中的所有值都在 -11 和 +11 之间，但它们显然不是整数。不过，我可以将其用作状态吗？从而给我 11 * 11 * 11 = 1331 个状态？我将如何计算转换矩阵？

此外，运动之间的观察次数不同（尽管属于同一类）。

对不起，我这个问题太宽泛了，指向 HMM 的此类数据的教程也很有帮助！

谢谢

这个问题与传统的手写识别有点不同。我有一个数以千计的数据集。对于一个绘制的字符，我有几个(x, y)按下笔的顺序坐标。因此，这是一个顺序（时间）问题。

我希望能够根据这些数据对手写字符进行分类，并希望实现 HMM 以用于学习目的。但是，这是正确的方法吗？他们怎么能被用来做到这一点？

作为一个附带项目，我想为我的 NVidia 显卡实现一个隐马尔可夫模型，这样我就可以让它快速执行并使用多个内核。

我正在查看 Forward-Backward 算法，想知道我可以在这里并行处理什么？例如，如果你看一下算法的前向部分，矩阵乘法可以划分为并行完成，但是依赖于上一步的算法的迭代部分可以以任何方式并行化吗？是否有某种数学技巧可以在这里应用？

谢谢，

米

http://en.wikipedia.org/wiki/Forward%E2%80%93backward_algorithm#Example

给定以下参数：

• λ = (A,B,π)。
• A = 状态转移矩阵
• A = { a[i][j] } = { P(状态 q[i] at t | state q[j] at t+1) },
• B = 观察矩阵和
• π = 初始分布。

下面的句子对吗？（明确 λ 和 A 之间的关系）：

a[i][j] = P(状态 q[i] at t | state q[j] at t+1) =P(state q[i] at t | state q[j] at t+1, λ )

请帮忙！