隐马尔科夫-维特比算法

概念介绍：

　　继上篇贝叶斯（http://www.cnblogs.com/zhiranok/archive/2012/09/22/native_bayes.html）后，一直想完成隐马尔科夫这篇，一是一直没有时间完成python的示例实现代码，二是想找一个区别于天气的隐马尔科夫例子。区别于贝叶斯，隐马尔科夫模型是基于时序的概率模型，本文只关注于一阶隐马尔科夫模型，即某一时刻的状态值只跟上一时刻的状态值有关。该模型可以用三元组表示：λ = (A, B,π ), 其中：

• A：为状态转移概率矩阵
• B：为观察概率矩阵，或称为概率矩阵
• π：为初始概率矩阵 

举一个例子来说明。

• 假设有一只电动玩具狗，它只会干三件事：汪汪叫（W），跑来跑去（R），睡觉（S）。则观察状态集合V为{W, R, S}, 则观察状态数目M=3 .
• 经过了解得知，电动玩具狗是受情绪控制的，它会无聊（B），高兴（H），生气（A），故状态集合Q={B, H，A}, 状态数目N=3
• 分析这只玩具狗后得知其状态转移概率矩阵为：

• 混淆矩阵为：

• 初始概率矩阵为：π = (0.2, 0.4, 0.4)

维特比算法

　　假设一天中观察到玩具狗的行为序列为{W,R,S,R,S}, 求最可能的情绪状态序列是什么。这是典型的隐马尔科夫解码问题，下面使用维特比算法求解。

•  维特比变量 : 使t时刻为状态i的最佳状态序列的概率值,递推公式：

 

　　

•  辅助变量   表示t时刻为状态i时的前一时刻t-1时的最佳状态，注意， 为t时刻为i的最佳的概率，而为最佳状态值，由此也可知 记录了到达此点的最佳上一个时刻的状态点路径，故分配T*N数组存储，用于最后回溯路径得到最终结果，动态规划的思想。

　　

   

Python 实现代码：

 

class yieldmrkf_t:
    def __init__(self, A, B, Pi, OSet, QSet):
        self.A  = A # 转移概率矩阵
        self.B  = B # 混淆概率矩阵
        self.Pi = Pi # 初始概率矩阵
        self.N  = len(Pi) # 隐状态数量
        self.M  = len(B) / self.N # 观察状态数量
        self.OsetVal = OSet
        self.QSetVal = QSet
        self.QSet = []
        self.Oset = []
        for i in range(0, self.N):
            self.QSet.append(i)
        for i in range(0, self.M):
            self.Oset.append(i)
    def dump(self):
        strA = "A:"
        i = 0
        for k in self.A:
            if i % self.N == 0:
                strA = strA + "\n"
            strA = strA + " " + str(k)
            i = i + 1
        print(strA)
        i = 0
        strB = "B:"
        for k in self.B:
            if i % self.M == 0:
                strB = strB + "\n"
            strB = strB + " " + str(k)
            i = i + 1
        print(strB)
        print("Pi:", self.Pi, "N:", self.N, "M:", self.M)
    def get_a(self, i, j):
        return self.A[i*self.N + j]
    def get_b(self, o, i):
        return self.B[i*self.M + o]
    def get_delta(self, delta_set, t, i):
        return delta_set[t*self.N + i]
    def convertOState(self, OStateSet_Val):
        dest = []
        for k in OStateSet_Val:
            for i in range(0, self.M):
                if k == self.OsetVal[i]:
                    dest.append(i)
        return dest
    def decode(self, OStateSet_Val):
        OStateSet = self.convertOState(OStateSet_Val)
        T = len(OStateSet)
        # 初始化t= 1 的情况
        delta_set = []
        fai_set   = []
        for i in self.QSet:
            delta_1_i = self.Pi[i] * self.get_b(OStateSet[0], i)
            delta_set.append(delta_1_i)
            fai_set.append(0)
        # 递推求的delta 和fai
        for t in range(1, T):
            for i in self.QSet:
                fai_t_i   = 0
                tmp_fai_i = 0
                tmp_delta = 0
                for j in self.QSet:
                    #compute fai
                    tmp = self.get_delta(delta_set, t - 1, j) * self.get_a(j, i)
                    if tmp > tmp_fai_i:
                        tmp_fai_i = tmp
                        fai_t_i   = j
                    #compute delta
                    tmp = tmp * self.get_b(OStateSet[t], i)
                    if tmp > tmp_delta:
                        tmp_delta = tmp
                fai_set.append(fai_t_i)
                delta_set.append(tmp_delta)
        #select last i
        tmp_rate_i_T = 0
        i_T = 0
        for i in self.QSet:
            tmp = self.get_delta(delta_set, T-1, i)
            if tmp > tmp_rate_i_T:
                tmp_rate_i_T = tmp
                i_T = i
        i_dest = []
        i_dest.append(i_T)
        for tmp_t in range(1, T):
            t = T - tmp_t
            i_dest.append(fai_set[(t) * self.N + i_dest[len(i_dest) - 1]])

        dest = []
        for n in range(0, T):
            dest.append(self.QSetVal[i_dest[(T-n) - 1]])
        return dest

OSet = ['W', 'R', 'S']
QSet = ['B','H', 'A']
O    = ['W', 'R', 'S', 'R', 'S']
A  = [0.5, 0.2, 0.3, 0.3, 0.5, 0.2, 0.2, 0.3, 0.5]
B  = [0.5, 0.2, 0.3, 0.4, 0.1, 0.5, 0.7, 0.1, 0.2]
Pi = [0.2, 0.4, 0.4]
o = yieldmrkf_t(A, B, Pi, OSet, QSet)
o.dump()
dest = o.decode(O)
print("output:", dest

 

输出结果：

A:
0.5 0.2 0.3
0.3 0.5 0.2
0.2 0.3 0.5
B:
0.5 0.2 0.3
0.4 0.1 0.5
0.7 0.1 0.2
('Pi:', [0.2, 0.4, 0.4], 'N:', 3, 'M:', 3)
('output:', ['A', 'H', 'H', 'H', 'H'])

总结

• 隐马尔科夫适用于时序概率模型，“隐”的含义是既可观察的状态序列和隐藏（不可观察的）状态序列存在一定关系
• 本文探究了隐马尔科夫的解码问题，分析实现了维特比算法
• 隐马尔科夫的概率计算问题和模型参数学习问题待以后探究。

更多精彩文章 http://h2cloud.org