Matlab 使用hmm对序列进行分类的基本帮助

我对matlab、隐马尔可夫模型和机器学习非常陌生，我正在尝试对给定的信号序列进行分类。请告知我所采用的方法是否正确：

创建一个N×N转换矩阵，并用随机值填充，每行的总和为1。（N为州数）

创建一个N×M发射/观测矩阵，并填充随机值，每行的总和为1

将序列的不同实例（即每个实例将说“hello”）转换为一个长流，并将每个流馈送给hmm训练函数，以便：

新转换矩阵旧转换矩阵=hmmtrain（序列、旧转换矩阵、旧排放矩阵）

给出hmm解码的最终转移矩阵和发射矩阵，给出未知序列的概率 i、 e

[后验状态对数概率]=hmmdecode（序列、最终转换矩阵、最终排放矩阵）

---

1.和2.是正确的。您必须小心，您的初始过渡和发射矩阵不是完全一致的，它们应该稍微随机化，以便工作

3.我只想单独输入“Hello”序列，而不是将它们串联成一个长序列

假设这是Hello的序列：

[1,0,1,1,0,0]

。如果您从3个“Hello”序列中形成一个长序列，您将得到：

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

这并不理想，相反，您应该单独输入序列，如：

数据=[1,0,1,1,0,0；1,0,1,1,0,0；1,0,1,1,0,0]

因为您使用的是MatLab，所以我建议您使用Murphy提供的。它有一个演示如何使用多个观察序列训练HMM：

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.您所说的是正确的，下面是如何在HMM工具箱中计算日志概率：

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

最后：如果有什么不清楚的地方，看看数学是如何工作的

---

希望这能有所帮助。

您能告诉我prior0的确切含义吗？谢谢你的回答。真的很感激。你的情况下实际上不需要它<代码>优先级0，

传输0

和

obsmat0

用于数据生成步骤。它们代表真实的模型（由机器学习者生成），以便在训练系统后，实验者可以将学习的参数

prior2

、

transmat2

和

obsmat2

与实际创建数据的参数进行比较

prior0

具体给出了系统在一开始就处于某个状态的概率，例如“模型是从状态1还是状态2开始的？”非常感谢。但我现在正在看“混合高斯输出的HMM”，因为我需要向量，但我很难理解这行“现在让我们使用拟合m=2高斯的混合”。M到底代表什么？我现在正在研究高斯分布，但我不知道M是做什么的。在一个典型的MoG应用程序中，样本数据被认为来自各种可能的来源（在您的例子中是M），来自每个特定来源的数据由高斯分布建模。谷歌和维基百科在这方面应该有很大帮助。例如，@Zhubarb我在

hmmtrain

或HMM的训练过程中有点困惑，但是我想知道当特别使用EM训练时，是否有一些

.xml

为过去的记录生成或在运行时生成概率，我还需要关于HMM的帮助。你使用了哪个工具箱？就像下面的答案一样，我使用了Murphys工具箱，但使用了带有高斯输出的HMM。你可以看到这里的教程，我看到了，我提出了一些关于HMM的问题，HMM是否会生成一个经过训练的文件，比如神经网络中的

.xml

？我想用HMM来训练轨迹，有X，Y，Z坐标，什么是序列，因为我认为我的状态是每一个新的状态位置变化行。