在R中使用HMM包

我很难理解如何在包中使用baumWelch方法

根据这个模型，我们首先要初始化我们的隐马尔可夫模型

hmm = initHMM(c("A","B"), c("L","R"), transProbs=matrix(c(.8,.2,.2,.8),2),
              emissionProbs=matrix(c(.6,.4,.4,.6),2)

这意味着状态被命名为A，B，发射被命名为L和R，我们也有发射概率和发射概率

到目前为止还不错，但本教程现在创建了观察列表：

observations = sample(c("L","R"),prob=c(.8,.2),size=100,replace=TRUE)

这是一个一维向量，作为观察值列表。根据Rabiner的经典论文中的描述，前向概率和后向概率是根据一系列观测值计算的，如上述代码中的变量观测值。i、 我们需要一个这样的观察矩阵，以便甚至远程训练任何东西。我在这里怎么做

编辑：

在上述示例中，排放物为L和R。应使用这些排放物创建观察序列O。e、 g.O=lrrlllrr等。假设长度为t

在正向算法中使用这种类型的观测，该算法给出一个完整的马尔可夫模型，观测序列O将生成一个维数为nx t的矩阵，其中n是HMM中的状态数。这种矩阵的第i j _元素被解释为在时间j，生成观测序列的前j个元素并处于状态i

现在，在Baum-Welch训练算法中使用了向前、向后和其他几种算法

我认为鲍姆·韦尔奇的输入应该是一个观测序列列表，而不是一个排放列表。在我的版本中，矩阵输入的维数应该是t乘以m，其中t是观测序列的长度，m是此类序列的数量

---

我如何理解这里的输入？是不是我们有100个长度为1的观测序列？如何为HMM中的baumWelch方法提供这样一个矩阵

虽然我刚才被问到了，但当我被同样的事情弄糊涂时，我发现了这个问题

引用第7页的Ghahramani：

如果观测向量包含贝叶斯网络中的所有变量，则对数似然函数中的每一项都会包含更多的因子，如

---

基本上根据我的理解，因为网络中的每个节点只依赖于它的父节点，所以不需要将训练向量分离成矩阵，而是可以使用一个完整的训练向量。我想唯一的问题是在一个新的训练向量的开始，但是你可以通过创建一个特殊的开始状态*来克服这个问题，它总是一个新序列中的第一个状态。

据我所知，HMM包中的baumWelch函数只接受一个观察序列作为它的第二个参数。如果您的训练数据包含多个序列，您可以尝试aphid软件包，该软件包支持Baum-Welch和Viterbi模型训练以及多个序列列表。免责声明：我编写了这个软件包，部分原因是我遇到了同样的问题。

如果你不了解统计方法的原理，你可能应该询问或。这确实不是一个适用于堆栈溢出的特定编程问题。我理解这些原则，事实上我应该更好地重新表述它。我不认为观察值应该是一个矩阵，它应该是一个不变的事实。我在这里要问的是，是否有人使用过这个包，并且可以澄清如何理解这个特定的示例以及如何编写正确的代码。我仍然不清楚您的问题到底是什么。你不明白他们为什么创建观察向量而不是矩阵？你期望矩阵的维度是什么？它的内容是什么？你到底指的是文件的哪一部分？是的，我不明白为什么有一个排放矢量而不是一个矢量，每个矢量都是一个观测矢量。