多观测Hmm训练与R中的mhsmm软件包

我想通过泊松观测来训练一个新的hmm模型，这是我唯一知道的。 我用的是mhsmm软件包

让我头疼的第一件事是模型的初始化，在示例中是：

J<-3
initial <- rep(1/J,J)
P <- matrix(1/J, nrow = J, ncol = J)
b <- list(lambda=c(1,3,6))
model = hmmspec(init=initial, trans=P, parms.emission=b,dens.emission=dpois.hsmm)

为了得到经过训练的模型？

示例中的观测列表

包含一个状态向量、一个观测值和一个观测序列长度，通常通过模型模拟获得：

list_of_observations = simulate(model, N, rand.emis = rpois.hsmm)

编辑：找到此旧问题，其答案部分解决了我的问题： 这两句话起了作用：

train <- list(x = data.df$sequences, N = N)
class(train) <- "hsmm.data"

---

train初始化问题不仅对HMMs和HSMMs至关重要，而且对所有基于期望最大化算法的学习方法也至关重要。EM在模型和数据之间的可能性方面收敛到局部最优，但这并不总是保证达到全局最优。

目标：找到排放分布的估计值，但也适用于初始概率和转移矩阵
算法：需要进行初始估计才能开始优化
您：必须提供参数的初始“猜测”

这在一开始看起来可能令人困惑，但是EM算法需要一个点来开始优化。然后，它进行一些计算，让你更好地估计自己的初始猜测（如你所说，重新估计）。它不可能不经过初始化就自己找到最佳参数

根据我的经验，没有通用的方法来初始化保证收敛到全局最优的参数，但这将更多地取决于手头的情况。这就是为什么初始化起着关键作用（主要是针对排放分布）

在这种情况下，我通常将训练数据分为不同的组（例如集合中某个参数的百分位数），估计这些组的参数，然后将它们用作EM算法的初始参数估计。基本上，你必须尝试不同的方法，看看哪一种效果最好

如果HMM解决了类似的问题，我建议搜索文献，并尝试它们的初始化方法。
谢谢您的回答。我改变了通过计算平均值来初始化排放参数的方式，并且值的平均值比之前的平均值大和小：
m1=平均值（值_-df[，3]）
m2=平均值（值_-df[，3][value _-df[，3]>m1]）
m0=平均值_-df[，3][value _-df 3]我建议您阅读Rabiner等人的主要HMM论文。有关参数初始化的更多信息…特别是连续观测符号。我认为这里描述了某种类型的K.means数据分割。获得良好初始化的简单方法是将yout数据分割为J块（其中J是模型的状态数）并计算每个块的参数值（正态分布情况下的均值和方差）
train <- list(x = data.df$sequences, N = N)
class(train) <- "hsmm.data"