用java語(yǔ)言實(shí)現(xiàn)離散數(shù)學(xué)算法-wenkub
2022-09-20 10:19:40 本頁(yè)面
【正文】 為t時(shí)刻處于狀態(tài)i，t+1時(shí)刻處于狀態(tài)j的概率。 在HMM問(wèn)題中，隱含變量自然就是狀態(tài)變量，要求狀態(tài)變量的期望值，其實(shí)就是求時(shí)刻ti觀察到xi時(shí)處于狀態(tài)si的概率，為了求此概率，需要用到向前變量和向后變量。離散數(shù)學(xué)算法求解我們已經(jīng)知道如果隱含變量Y是已知的，那么求解模型參數(shù)直接利用Maximum Likelihood就可以了。預(yù)備知識(shí)首先你得對(duì)下面的公式表示認(rèn)同。C)則會(huì)顯示該合適公式是 A^B(1amp。用JAVA語(yǔ)言實(shí)現(xiàn)離散數(shù)學(xué)算法* 顯示離散數(shù)學(xué)算法的真值表 * 提供將一個(gè)中綴合適公式的真值表輸出到某一PrintStream流中的功能 * 以單個(gè)大寫(xiě)字母表示變量（支持26個(gè)變量） * 以字符0或者1表示值 * 以 ~ ^ amp。C)A B C Key0 0 0 01 0 0 00 1 0 01 1 0 10 0 1 01 0 1 00 1 1 01 1 1 1收起在HMM模型中，已知隱藏狀態(tài)的集合S，觀察值的集合O，以及一個(gè)觀察序列（o1,o2,...,on），求使得該觀察序列出現(xiàn)的可能性最大的模型參數(shù)（包括初始狀態(tài)概率矩陣π，狀態(tài)轉(zhuǎn)移矩陣A，發(fā)射矩陣B）。以下都是針對(duì)相互獨(dú)立的事件，P(A,B)=P(B|A)*P(A)P(A,B,C)=P(C)*P(A,B|C)=P(A,C|B)*P(B)=P(B,C|A)*P(A)P(A,B,C,D)=P(D)*P(A,B|D)*P(C|A)=P(D)*P(A,B|D)*P(C|B)P(A,B|C)=P(D1,A,B|C)+P(D2,A,B|C) 離散數(shù)學(xué)算法的基本思路是：隨機(jī)初始化一組參數(shù)θ(0)，根據(jù)后驗(yàn)概率Pr(Y|X。向前變量向前變量 是從狀態(tài)i轉(zhuǎn)移出去的次數(shù)的期望值。下面給出我的java代碼：package nlp。 // 輸出活動(dòng)的種數(shù) double[] PI。 // 觀察到的集合 ArrayListInteger state = new ArrayListInteger()。 // 序列長(zhǎng)度為32 double[][] alpha = new double[T][]。 double[][][] xi = new double[T 1][][]。 PI = new double[M]。 B = new double[M][]。 B[i] = new double[N]。 A[1][1] = 。 B[1][1] = 。 (2)。 beta[t] = new double[M]。 t++) { xi[t] = new double[M][]。 } } // 更新向前變量 public void updateAlpha() { for (int i = 0。 t T。 for (int j = 0。 } } } // 更新觀察序列出現(xiàn)的概率，它在一些公式中當(dāng)分母 public void updatePO() { for (int i = 0。 i M。 t) { for (int i = 0。 j++) { beta[t][i] += A[i][j] * B[j][(out_seq[t + 1])]
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號(hào)-1