问题标签 [hidden-markov-models]

马尔可夫链模型和隐马尔可夫模型有什么区别？我在维基百科中阅读过，但无法理解其中的差异。

我正在尝试使用 mfcc 功能和隐藏的马尔可夫模型在 java 中开发一个音频分类系统。我正在关注这篇研究论文：http ://acccn.net/cr569/Rstuff/keys/bathSoundMonitoring.pdf 。

算法描述如下：

每个声音文件，对应于声音事件的样本，在帧中进行处理，这些帧由汉明窗（25 毫秒）预先强调和加窗，重叠率为 50%。由 13 阶 MFCC 组成的特征向量表征每一帧。我们使用从左到右的六态连续密度 HMM 对每个声音进行建模，而不会跳过状态。每个 HMM 状态由两个高斯混合分量组成。在模型初始化阶段完成后，所有 HMM 模型都在三个迭代周期中进行训练。

我已经完成了第一部分工作，即从样本声音中提取特征。结果，我得到了一个二维数组，每行由 13 列组成（每行代表一个声音帧）。现在我的问题是如何使用这些数据训练 hmm。

我正在使用 jahmm 库。到目前为止，我已经开发了一些示例代码来大致了解该库的工作原理。

我的问题是：

Q1：mfcc 数据应该以什么格式传递来训练 hmm？（参见 realSeuqences 行的评论）

Q2：在语音识别中，有时我们需要通过重复同一个词让我们说 10 次来训练系统。这是否意味着它用这 10 个样本训练了一个 hmm？如果是，那么如何用相同声音的不同样本训练一个 hmm。或者是 10 个单独训练的 hmm 但标有那个词？

Q3：如何在声音识别方面比较两个hmm模型。使用 viterbi 或 Kullback Leibler 距离会更好吗？

我正在做一个需要使用隐藏马尔可夫模型的项目。我下载了 Kevin Murphy 的工具箱。我有一些关于使用的问题。在工具箱网页中，他说 dhmm_em 和 dhmm_logprob 的第一个输入是符号序列数据。在他们的示例中，他们将行向量作为数据。因此，当我将符号序列作为行向量给出时，我得到了错误；

但是，在给出此错误之前，代码适用于某些符号向量。当我将数据作为列向量提供时，函数工作正常，没有错误。那么我到底为什么会收到这个错误呢？

你可能会说我不应该给出单个向量，而是向量集，我还尝试将我的特征向量收集在一个结构中并给出行向量，但是没有任何改变，我仍然得到断言错误。

顺便说一句，我的符号序列没有任何零，我所做的一切几乎与他们在示例中显示的一样，所以如果有人能帮助我，我将不胜感激。

我有 11 个状态和一个转移概率矩阵，但我没有排放，因为我的模型没有隐藏。它仅包含状态 (1,2,3, ..., 11)
我想根据我的转移概率矩阵生成随机状态，但 HMM 工具箱需要一个发射概率矩阵。我应该怎么办？

我开发了一个使用 mfcc 和隐藏马尔可夫模型进行声音识别的概念验证系统。当我在已知声音上测试系统时，它给出了有希望的结果。尽管系统在输入未知声音时返回最接近匹配的结果，并且得分不是那么明显，但它是未知声音，例如：

我已经训练了 3 个隐藏马尔可夫模型，一个用于语音，一个用于从水龙头流出的水，一个用于敲桌子。然后我在看不见的数据上测试它们并得到以下结果：

这里的输入是一个未知的声音，但它仍然返回最接近的匹配，因为没有用于阈值/垃圾过滤的系统。

我知道在关键字发现中，可以使用垃圾或填充模型过滤掉 OOV（词汇外）声音，但它说它是使用一组有限的未知单词进行训练的，而这不能像我一样应用于我的系统不知道系统可能记录的所有声音。

语音识别系统中的类似问题如何解决？以及如何解决我的问题以避免误报？

我正在尝试使用GHMM 库来训练隐马尔可夫模型 (HMM) 。到目前为止，我已经能够为每个状态使用单个高斯来训练离散模型和连续模型。

这里有很多很好的例子。

但是，我想训练一个连续的 HMM，它有一个跨所有状态的协方差矩阵（而不是每个状态都有一个）。GHMM lib可以吗？如果是的话，我很乐意看到一些例子。如果没有，有人可以指点我一些其他代码，或者让我参考另一个实际上可以做到这一点的 HMM python/c 库吗？

谢谢！

我已经建立了一个由 8 个加速度计组成的身体传感器网络。在每个样本（大约 30 Hz）处，每个加速度计都会给我一个 XY 和 Z 值。

我使用了 jahmm java 库对由一个加速度计组成的数据流进行分类。这工作正常。但现在我很困惑如何扩展我的代码，以便可以使用多个加速度计。

单个数据流如下所示：

该库允许定义特征向量的维度。在上面的流中，维度是 3。我想将维度提高到 3 x 8 = 24，然后简单地将所有加速度计连接成一个 24D 特征向量。

这是要走的路还是会恶化我的结果？

编辑：

我现在已经收集了我的数据，它看起来像这样（对于一位参与者）：

{... ... ...} 之间的值代表一个加速度计。每个样本（在 30hz 左右）我有 8 个加速度计。一个样本在 [...] 内。每个手势示例我有大约 40 个 [...]

您是否建议我采用第一个传感器（[] 的每个块的第一个 {}）并使用结果序列创建一个模型，并且第二个直到第八个都相同？

这将为每个手势提供 8 个模型。比一个测试序列产生 8 个概率。所以我需要某种复数投票来获得覆盖类。这是你的意思吗？

谢谢

我需要对来自由 8 个加速度计组成的传感器网络的数据流进行分类。每个加速度计都给我一个 XY 和 Z 值。因此，在每个样本中，我有 8 x 3 = 24 个加速度值。我以大约 30 赫兹的频率进行采样，执行时间约为 0.5 秒。

起初我想为此使用隐马尔可夫模型，但似乎 WEKA 工具包没有提供这样的东西。WEKA 相当于什么？

谢谢你。

编辑：如何格式化数据？

我已经收集了数据，现在我想使用 HMMWeka 进行分类。在网站上它指出

数据实例必须有一个单一的、名义的、类属性和一个单一的、关系的、序列属性。这种关系属性中的实例可以由单个名义数据实例（在离散 HMM 的情况下）或多变量的数字属性（在高斯 HMM 的情况下）组成。

但我很困惑我需要如何呈现我的数据才能满足这一要求。

我的数据如下所示：

所以对于每一个手势，我都有几个例子。{} 之间的数据代表一个加速度计的 XYZ 值。最上面的 [ ... ] 代表一个包含 8 个加速度计的样本。

我不明白如何从中创建 ARFF 文件？

谢谢

假设您想预测下一次船将访问的概率。您开始在船周期中的任意位置进行观察。当您进行观察时，您只能记录船是否可见（假设它是循环中的正确点，船总是可见）。在这个世界上，船的周期长度也是未知的，但具有周期性，而船的访问时间是未知的，但总是小于周期长度。还假设周期是一种固定的自然现象，可能不会改变。

案例 1. 观察的第一个小时你没有看到船。因此，预测下一小时内有船的概率将是任意的。我们观察到一艘船的第二个小时，我们预测第 3 个小时的概率很高。在第 4 个小时我们没有观察到船，我们现在可以确定这艘船通常可以观察 2 个小时（第 2 和第 3 个小时）。我们继续观察，在第 7 个小时，船再次可见。只有在这一点上，我们才知道循环长度（5 小时）和可观察船的持续时间（2 小时）。

案例 2. 第一个小时观察你看到一艘船。下一小时的预测概率很高。在第 4 小时，您没有观察到任何船只。此时船能见度至少为3小时。我们在 5、6、7、8 小时再次观察船，在 9 小时没有船。只有在 9 小时之后，我们才能有把握地说周期是 5 小时，能见度是 4 小时。

案例 3. 看到船的第一个小时。你去睡3个小时。在第 5 小时，您看不到船。你去睡3个小时。在第 9 点，您会看到一艘船。在 10、11、12 小时看到船的概率是多少？

我可以使用什么算法来解决这个问题？我认为隐藏马尔可夫模型可能会起作用，因为存在潜在的现象，但它不是直接可观察的。但在这种情况下，这种现象并不完全清楚。在我的特殊情况下，我可以用平均循环长度初始化算法。创建此算法的真正动机是观察结果在两者之间非常少。这个程序在训练阶段最有价值，因为如果知道循环长度和我们在循环中的位置，事情就会变得微不足道。

以下是使用8小时的平均历史周期长度和2小时的船持续时间给定 0、1、2 和 3次连续观察（X 表示看到船的观察，O 表示没有船的观察）大致可以输出的内容。仔细查看图表，您会注意到船可能返回的位置周围的概率有所增加。

我使用 Jahmm 库对加速度计序列进行分类。

我已经创建了模型，但是当我尝试通过以下方式计算模型上测试序列的概率时：

我得到负值，例如-1278.0926336276573。

库代码中的注释指出 lnProbability 方法：

返回生成此对象的序列概率的纳皮尔对数。

返回：感兴趣的序列的napierian对数的概率

但是如何比较两个这样的对数呢？我用两个测试序列在两个不同的模型上调用该方法，所以我得到 4 个概率：

但是在这种情况下，这是否意味着我们越接近零，测试序列与模型越相似（所以在这个例子中分类准确率 = 100%？）

谢谢