隐马尔科夫模型及Viterbi算法的应用
作者:jostree 转载请注明出处 http://www.cnblogs.com/jostree/p/4335810.html
一个例子:
韦小宝使用骰子进行游戏,他有两种骰子一种正常的骰子,还有一种不均匀的骰子,来进行出千。
开始游戏时他有2/5的概率出千。
对于正常的骰子A,每个点出现的概率都是1/6.
对于不均匀的骰子B,5,6两种出现的概率为3/10,其余为1/10.
出千的随机规律如下图所示:
我们观测到的投掷结果为:ob={1,3,4,5,5,6,6,3,2,6}
请判断韦小宝什么时候出千了?
我们可以这样建模$x_i$表示第$i$次投掷的骰子的种类,$y_i$表示第$i$次投掷出的点数,$\lambda$表示各个概率参数。
那么第$t$次使用第$i$种骰子投掷的概率$\delta_t(i)$等于
\begin{equation} \delta_t(i)=\max_{x_1,\dots,x_{t-1}}P(x_1,\dots,x_{t-1},x_t=i,y_1,\dots,y_t|\lambda) \end{equation}
其实$\delta_{t+1}(i)$可以由$\delta_t(i)$推倒得出:
\begin{eqnarray} \delta_{t+1}(i) &=& \max_{x_1,\dots,x_{t}}P(x_1,\dots,x_{t},x_{t+1}=i,y_1,\dots,y_{t+1}|\lambda)\\ &=& \max_j \delta_t(j)\alpha_{ji}\beta_i(y_{t+1})\end{eqnarray}
其中$\alpha_{ji}$表示从第$j$个骰子转移到第$i$个骰子的概率。
$\beta_i(y_{t+1})$表示使用第i个骰子投出点$y_{t+1}$的概率。
从而可以使用上述利用动态规划算法进行逐次递推计算。
得到的结果为:
t | $y_t$ | $\delta_t(A)$ | $\Psi_t(A)$ | $\delta_t(B)$ | $\Psi_t(B)$ |
1 | 1 | 0.1 | A | 0.04 | A |
2 | 3 | 0.0133333 | A | 0.0036 | B |
3 | 4 | 0.00177778 | A | 0.000324 | B |
4 | 5 | 0.000237037 | A | 0.000106667 | A |
5 | 5 | 3.16049e-05 | A | 2.88e-05 | B |
6 | 6 | 4.21399e-06 | A | 7.776e-06 | B |
7 | 6 | 5.61866e-07 | A | 2.09952e-06 | B |
8 | 3 | 7.49154e-08 | A | 1.88957e-07 | B |
9 | 2 | 9.98872e-09 | A | 1.70061e-08 | B |
10 | 6 | 1.33183e-09 | A | 4.59165e-09 | B |
因为最后一步$\delta_t(B)$的值大于$\delta_t(A)$,所以一次使用B骰子的概率最大,从而一直向上回溯,得到的使用骰子的序列为:AAABBBBBBB
代码如下所示:
1 #include <stdlib.h> 2 #include <stdio.h> 3 #include <string.h> 4 #include <string> 5 #include <iostream> 6 using namespace std; 7 double initP[2] = {0.6, 0.4};//骰子A,B的初始概率 8 double transferMatrix[2][2] = {{0.8, 0.2}, {0.1, 0.9}};//骰子之间的转移概率 9 double EmissionP[2][6]={{1/6.0, 1/6.0, 1/6.0, 1/6.0, 1/6.0, 1/6.0},//骰子A的发射概率 10 {0.1, 0.1, 0.1, 0.1, 0.3, 0.3}};//骰子B的发射概率 11 double dp[10][2];//dp[i][j]第i步时,使用第j个骰子的最大概率 12 double dpS[10][2];//dpS[i][j]第i步时,使用第j个骰子,得到的最大概率时,使用的骰子种类, 0->A, 1->B 13 int ob[10] = {1, 3, 4, 5, 5, 6, 6, 3, 2, 6};//观测点数 14 bool diceArray[10];//预测骰子使用序列 15 void Viterbi() 16 { 17 memset(dp,0,sizeof(dp)); 18 memset(dpS,0,sizeof(dpS)); 19 memset(diceArray,0,sizeof(diceArray)); 20 dp[0][0] = initP[0]* EmissionP[0][ob[0]-1]; 21 dp[0][1] = initP[1]* EmissionP[1][ob[0]-1]; 22 for( int i = 1 ; i < 10 ; i++ )//投掷次数 23 { 24 for( int j = 0 ; j < 2 ; j++ )//当前状态 25 { 26 for( int k = 0 ; k < 2 ; k++ )//上一个状态 27 { 28 double tempP = dp[i-1][k] * transferMatrix[k][j] * EmissionP[j][ob[i]-1] ; 29 if( dp[i][j] < tempP ) 30 { 31 dp[i][j] = tempP; 32 dpS[i][j] = k; 33 } 34 } 35 } 36 } 37 int maxState = 0; 38 if( dpS[9][0] < dpS[9][1] ) 39 { 40 maxState = 1; 41 } 42 for( int i = 9 ; i >=0 ; i-- ) 43 { 44 diceArray[i] = maxState; 45 maxState = dpS[i][maxState]; 46 } 47 } 48 int main(int argc, char *argv[]) 49 { 50 Viterbi(); 51 cout<<"每步每个状态下的概率和骰子种类:"<<endl; 52 for( int i = 0 ; i < 10 ; i++ ) 53 { 54 for( int j = 0 ; j < 2 ; j++ ) 55 { 56 cout<<dp[i][j]<<" "<<dpS[i][j]<<" "; 57 } 58 cout<<endl; 59 } 60 cout<<"预测骰子种类,0->A, 1->B : "<<endl; 61 for( int i = 0 ; i < 10 ; i++ ) 62 { 63 cout<<diceArray[i]<<" "; 64 } 65 cout<<endl; 66 } 67 /* result: 68 每步每个状态下的概率和骰子种类: 69 0.1 0 0.04 0 70 0.0133333 0 0.0036 1 71 0.00177778 0 0.000324 1 72 0.000237037 0 0.000106667 0 73 3.16049e-05 0 2.88e-05 1 74 4.21399e-06 0 7.776e-06 1 75 5.61866e-07 0 2.09952e-06 1 76 7.49154e-08 0 1.88957e-07 1 77 9.98872e-09 0 1.70061e-08 1 78 1.33183e-09 0 4.59165e-09 1 79 预测骰子种类,0->A, 1->B : 80 0 0 0 1 1 1 1 1 1 1 81 */