用java語(yǔ)言實(shí)現(xiàn)離散數(shù)學(xué)算法-全文預(yù)覽
【正文】 c void updateGamma() { for (int t = 0。 i M。 i++) { for (int j = 0。 t T 1。 i++) { for (int j = 0。 } for (int t = T 2。 i++) PO += alpha[T 1][i]。 j++) { alpha[t][i] += alpha[t 1][j] * A[j][i]。 i M。 i++) { alpha[0][i] = PI[i] * B[i][(out_seq[0])]。 i M。 } for (int t = 0。 t T。 (2)。 B[0][1] = 。 A[0][1] = 。 i M。 PI[1] = 。BaumWelch得到的是局部最優(yōu)解，所以初始參數(shù)直接影響解的好壞 public void initParameters() { M = 2。 double[][] beta = new double[T][]。 // 測(cè)試用的觀察序列 int[] hidden_seq = { 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 1, 1, 1, 1, 1, 2, 2, 2, 1, 1, 1, 1, 1, 1, 1 }。 // 狀態(tài)轉(zhuǎn)移矩陣 double[][] B。public class BaumWelch { int M。然后用新的參數(shù)再來(lái)計(jì)算向前變量、向后變量、和。MStep是在初始時(shí)刻出現(xiàn)狀態(tài)i的頻率的期望值，是從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的次數(shù)的期望值 實(shí)際上 它表示在時(shí)刻t出現(xiàn)狀態(tài)，且t時(shí)刻以后的觀察序列滿足的概率。 1. 令初始值2. 歸納法計(jì)算3. 最后計(jì)算復(fù)雜度向后變量向后變量如此迭代直到θ趨于穩(wěn)定。 D1,D2是事件D的一個(gè)全劃分理解了上面幾個(gè)式子，你也就能理解本文中出現(xiàn)的公式是怎么推導(dǎo)出來(lái)的了。當(dāng)沒(méi)有隱含變量時(shí)，直接用maximum likelihood就可以把模型參數(shù)求出來(lái)。 分別表示 非 析取 合取 條件 雙條件 連接詞以單個(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，式子中的T與F支持 ( )（括號(hào)）如果公式中有錯(cuò)誤將不會(huì)輸入真值表（將會(huì)輸出錯(cuò)誤信息）注意：輸出的結(jié)果會(huì)同時(shí)顯示到屏幕與該程序的同目錄下的“”文件中直接按回車鍵（輸入為空）則會(huì)退出程序例如：輸入 A^B(1amp。 分別表示 非 析取 合取 條件 雙條件 連接詞 * 支持 ( )（括號(hào)） * 如果公式中有錯(cuò)誤將不會(huì)輸入真值表（將會(huì)輸出錯(cuò)誤信息）說(shuō)明：以 ~ ^ amp。這正好就是離散數(shù)學(xué)算法要求解的問(wèn)題：已知一系列的觀察值X，在隱含變量Y未知的情況下求最佳參數(shù)θ*，使得：在中文詞性標(biāo)注里，根據(jù)為訓(xùn)練語(yǔ)料，我們觀察到了一系列的詞（對(duì)應(yīng)離散數(shù)學(xué)中的X），如果每個(gè)詞的詞性（即隱藏狀態(tài)）也是知道的，那它就不需要用離散數(shù)學(xué)來(lái)求模型參數(shù)θ了，因?yàn)閅是已知的，不存在隱含變量了。 θ)來(lái)更新Y的期望E(Y)，然后用E(Y)代替Y求出新的模型參數(shù)θ(1)。是假定的參數(shù)它表示t時(shí)刻滿足狀態(tài)，且t時(shí)刻之前（包括t時(shí)刻）滿足給定的觀測(cè)序列的概率。 定義變量表示t時(shí)刻呈現(xiàn)狀態(tài)i的概率。 是從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的次數(shù)的期望值。從狀態(tài)
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號(hào)-1