使用 hmm 对序列进行分类的基本帮助

Question

我对 matlab、隐马尔可夫模型和机器学习非常陌生，并且正在尝试对给定的信号序列进行分类。请让我知道我遵循的方法是否正确：

1. 创建一个 N × N 转换矩阵，并填充每行总和为 1 的随机值。 （N 将是状态数）
2. 创建一个 N x M 发射/观察矩阵，并填充每行总和为 1 的随机值

3. 将序列的不同实例（即每个实例都会说单词 'hello' ）转换为一个长流并将每个流馈送到 hmm train 函数，这样：

   new_transition_matrix old_transition_matrix = hmmtrain(sequence,old_transition_matrix,old_emission_matrix)

4. 给出最终的转换和发射矩阵，以用未知序列进行 hmm 解码，以给出概率 即[posterior_states logrithmic_probability] = hmmdecode( sequence, final_transition_matrix,final_emission_matris)

Answer 1

1. 和 2. 是正确的。您必须小心，您的初始转换和发射矩阵不是完全一致的，它们应该稍微随机化以使 training 起作用。

3. 我只会单独输入“Hello”序列，而不是将它们连接起来形成一个长序列。

假设这是 Hello 的序列：[1,0,1,1,0,0]。如果你从 3 个“Hello”序列中形成一个长序列，你会得到：

data = [1,0,1,1,0,0,1,0,1,1,0,0,1,0,1,1,0,0]

这并不理想，您应该单独输入序列，例如：

data = [1,0,1,1,0,0; 1,0,1,1,0,0; 1,0,1,1,0,0].

由于您使用的是 MatLab，我建议您使用 Murphy 的 HMM toolbox。它有一个关于如何训练具有多个观察序列的 HMM 的演示：

M = 3;
N  = 2;

% "true" parameters
prior0 = normalise(rand(N ,1));
transmat0 = mk_stochastic(rand(N ,N ));
obsmat0 = mk_stochastic(rand(N ,M));

% training data: a 5*6 matrix, e.g. 5 different 'Hello' sequences of length 6
number_of_seq = 5;
seq_len= 6;
data = dhmm_sample(prior0, transmat0, obsmat0, number_of_seq, seq_len);

% initial guess of parameters
prior1 = normalise(rand(N ,1));
transmat1 = mk_stochastic(rand(N ,N ));
obsmat1 = mk_stochastic(rand(N ,M));

% improve guess of parameters using EM
[LL, prior2, transmat2, obsmat2] = dhmm_em(data, prior1, transmat1, obsmat1, 'max_iter', 5);
LL

4.你说的对，下面是你在HMM工具箱中计算对数概率的方法：

% use model to compute log[P(Obs|model)]
loglik = dhmm_logprob(data, prior2, transmat2, obsmat2)

最后：看看这个paper by Rabiner，如果有不清楚的地方，数学是如何工作的。

希望这会有所帮助。