用java語言實(shí)現(xiàn)離散數(shù)學(xué)算法-預(yù)覽頁
【正文】 i轉(zhuǎn)移出去的次數(shù)的期望值，是在狀態(tài)j下觀察到活動(dòng)為k的次數(shù)的期望值從其他所有狀態(tài)轉(zhuǎn)移到狀態(tài)j的次數(shù)的期望值,/** * author Orisun * date 20111022 */import 。 // 初始狀態(tài)概率矩陣 double[][] A。 // 中間狀態(tài)集合 int[] out_seq = { 2, 1, 1, 1, 2, 2, 2, 2, 2, 1, 1, 1, 1, 2, 2, 2, 2, 1, 1, 1, 1, 1, 2, 2, 2, 1, 1, 1, 1, 1, 2, 1 }。 // 向前變量 double PO。 // 初始化參數(shù)。 PI[0] = 。 for (int i = 0。 } A[0][0] = 。 B[0][0] = 。 (1)。 for (int t = 0。 gamma[t] = new double[M]。 for (int i = 0。 i M。 t++) { for (int i = 0。 j M。 i M。 i++) { beta[T 1][i] = 1。 i M。 } } } } // 更新xi public void updateXi() { for (int t = 0。 i M。 } } for (int i = 0。 j++) { xi[t][i][j] = alpha[t][i] * A[i][j] * B[j][(out_seq[t + 1])] * beta[t + 1][j] / frac。 for (int i = 0。 for (int i = 0。iM。j++) // gamma[t][i]+=xi[t][i][j]。 } // 更新狀態(tài)轉(zhuǎn)移矩陣 public void updateA() { for (int i = 0。 t T 1。 j++) { double d離散數(shù)學(xué) = 。 // for (int k = 0。 t T 1。 i M。 t++) frac += gamma[t][i]。 for (int t = 0。 } } } // 運(yùn)行BaumWelch算法 public void run() { initParameters()。 updateBeta()。 // MStep updateA()。 (訓(xùn)練后的初始狀態(tài)概率矩陣：)。 ()。 i++) { for (int j = 0。 } (訓(xùn)練后的混淆矩陣：)。 j
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號(hào)-1