用java語言實(shí)現(xiàn)離散數(shù)學(xué)算法(存儲版)
【正文】 updateB()。 (訓(xùn)練后的狀態(tài)轉(zhuǎn)移矩陣：)。 for (int i = 0。 } }}迭代22次后得到的參數(shù)：訓(xùn)練后的初始狀態(tài)概率矩陣：訓(xùn)練后的狀態(tài)轉(zhuǎn)移矩陣：訓(xùn)練后的混淆矩陣：。 } ()。 i++) ([i] + \t)。 updateXi()。 } B[i][j] = d離散數(shù)學(xué) / frac。 t T。 // } for (int t = 0。 j M。 i++) PI[i] = gamma[0][i]。 } // for(int i=0。 t++) { double frac = 。 j++) { frac += alpha[t][i] * A[i][j] * B[j][(out_seq[t + 1])] * beta[t + 1][j]。 j++) { beta[t][i] += A[i][j] * B[j][(out_seq[t + 1])] * beta[t + 1][j]。 i M。 for (int j = 0。 } } // 更新向前變量 public void updateAlpha() { for (int i = 0。 beta[t] = new double[M]。 B[1][1] = 。 B[i] = new double[N]。 PI = new double[M]。 // 序列長度為32 double[][] alpha = new double[T][]。 // 輸出活動的種數(shù) double[] PI。是從狀態(tài)i轉(zhuǎn)移出去的次數(shù)的期望值。 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。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）。C)則會顯示該合適公式是 A^B(1amp。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。 1. 初始值2. 歸納計(jì)算EStep定義變量為t時刻處于狀態(tài)i，t+1時刻處于狀態(tài)j的概率。 是從其他所有狀態(tài)轉(zhuǎn)移到狀態(tài)i的次數(shù)的期望值。除以 // 隱藏狀態(tài)的種數(shù) int N。 // 測試用的隱藏狀態(tài)序列 int T = 32。 N = 2。 i++) {
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號-1