jihite

摘要： 目标：全局变量先看程序：count = 0def Fuc(count): print count count += 1for i in range(0, 10): Fuc(count)结果是：不是我们想要的结果。解决之道一——全局变量：global aa = 3def Fuc(): global a print a a = a + 1if __name__ == "__main__": global a for i in range(10): Fuc()print 'hello' print a结果： 注意要领： 哪里需... 阅读全文

摘要： 先列几个range（）函数的几个用法： 函数原型：range（start， end， scan):参数含义：start:计数从start开始。默认是从0开始。例如range（5）等价于range（0， 5）; end:技术到end结束，但不包括end.例如：range（0， 5） 是[0, 1, 2, 3, 4]没有5 scan：每次跳跃的间距，默认为1。例如：range（0， 5） 等价于 range(0, 5, 1)坑人的现象：for i in range(5): print i i += 2 print i print '一轮结束'... 阅读全文

摘要： 在c语言中，表示个“整型3行4列”的矩阵，可以这样声明：int a[3][4];在python中一不能声明变量int，二不能列出维数。可以利用列表中夹带列表形式表示。例如：表示矩阵 ，可以这样：count = 1a = []for i in range(0, 3): tmp = [] for j in range(0, 3): tmp.append(count) count += 1 a.append(tmp)print a结果：[[1, 2, 3], [4, 5, 6], [7, 8, 9]]但是注意一点：初始化（赋值全部为0时），下面是错... 阅读全文

摘要： 假定目录text下有如下文件 目录：dir_1、dir_2、dir_3 文件：text_1、text_2遍历目录下所有的文件是目录还是文件if -- if类型：#!bin/shfor file in ./*do if test -f $file then echo $file 是文件 fi if test -d $file then echo $file 是目录 fidoneif --else 类型:#!bin/shfor file in ./*do if test -f $file then e... 阅读全文

摘要： 定义变量 name=value 释义：name是变量，value是变量值 注意：1.变量名智能有数字、字母、下划线组成，并且首字符不可是数字。 eg: a12=123kdlkd 2.变量值（value)中如果有空格，应该加上双引号或单引号。eg: a="hello world" 3.等号（=）左右没有空格，切记。eg:a = 'akdf'错误使用变量： 变量名前加上$。eg： 释义：echo为打印函数 echo a 就是单纯输出a；而echo $a ，因为前面有$，提... 阅读全文

摘要： 隐马尔可夫模型的学习问题：给定一个输出序列O=O1O2...OT,如何调节模型μ=(A,B,π）的参数，使得P(O|M)最大。 最大似然估计是一种解决方法，如果产生的状态序列为Q=q1q2...qT,根据最大似然估计，可以通过以下公式推算： πi‘ = δ（q1,si) aij... 阅读全文

摘要： 重新回顾： 前向变量αt(i):在时刻t,在已知模型μ=（A,B,π）的条件下，状态处于si,输出序列为O102...Ot,前向变量为αt(i) 后向变量βt(i):在时刻t,在已知模型μ=（A,B,π）和状态处于si的条件下，输出序列为Ot+1Ot+2...OT,后向变量为βt(i) 公式推导： 阅读全文

摘要： 给定一个观察序列O=O1O2...OT,和模型μ=（A,B,π），如何快速有效地选择在一定意义下“最优”的状态序列Q=q1q2...qT，使该状态最好地解释观察序列。 一种想法是求出每个状态的概率rt(i)最大(rt(i)=P(qt=si,O|μ）)，记q't(i)=argQmax(rt(i))，但 阅读全文

摘要： 对于HMM的评估问题，利用动态规划可以用前向算法，从前到后算出前向变量；也可以采用后向算法，从后到前算出后向变量。先介绍后向变量βt(i):给定模型μ=（A,B,π），并且在时间时刻t状态为si的前提下，输出序列为Ot+1Ot+2...OT的概率，即 βt(i)=P(Ot+1Ot+2...OT|qt... 阅读全文

摘要： 隐马模型的评估问题即，在已知一个观察序列O=O1O2...OT，和模型μ=（A,B,π}的条件下，观察序列O的概率，即P(O|μ} 如果穷尽所有的状态组合，即S1S1...S1, S1S1...S2, S1S1...S3, ..., S3S3...S3。这样的话t1时刻有N个状态，t2时刻有N个状态...tT时刻有N个状态，这样的话一共有N*N*...*N= NT种组合，时间复杂度为O(NT),计算时，就会出现“指数爆炸”，当T很大时，简直无法计算这个值。为解决这一问题，Baum提出了前向算法。 归纳过程 首先引入前向变量αt(i):在时间t时刻，HMM输出序列为O1O2...OT,在第t时. 阅读全文