Algorithm 用HMM前向算法处理下溢

我正在尝试实现隐马尔可夫模型（HMM）的正向算法，在填充alpha表时，我面临下溢问题。我使用第6节中描述的方法对α值进行了归一化，但现在最终α值的结果总和（观测序列的概率）始终等于1。如何“撤销”标准化以获得实际概率？我的实现与第7.2节非常相似

同样的问题，最近也有人问过，但我不明白最后几个步骤，我希望能得到更详细的解释。谢谢

更新：我想我终于理解了最近的答案，但如果能确认我的理解是正确的，我将不胜感激。下面是我所做的（c[k]是系数）：

double sum=0.0；
对于（i=0；i<4；i++）{//仅4个隐藏状态
sum+=alpha[l-1][i]；//对alpha表的最后一列求和（标准化）
}
双sumLogC=0.0；
对于（k=0；k

根据这一点：，概率仅为-1*sumLogC。i、 e.取每个系数c（i）的对数之和（以10为基数），最后乘以-1。我希望这有帮助。

    double sum = 0.0;
    for (i = 0; i < 4; i ++) { // only 4 hidden states
        sum += alpha[l-1][i]; // sum last column of alpha table (normalized)
    }

    double sumLogC = 0.0;
    for (k = 0; k < l; k++) {
        sumLogC += Math.log(c[k]);
    }

    probability = Math.log(sum) - sumLogC;

    return probability;