Gizli bir markov modelinde ilk geçiş olasılıklarının önemi

Bir Gizli Markov Modelinde geçiş olasılıklarına belirli başlangıç ​​değerleri vermenin faydaları nelerdir? Sonunda sistem onları öğrenecek, o halde rastgele olanlar dışında değer vermenin anlamı nedir? Altta yatan algoritma Baum – Welch gibi bir fark yaratıyor mu?

Başlangıçtaki geçiş olasılıklarını çok doğru bir şekilde bilirsem ve asıl amacım, gizli durumdan gözlemlere kadar çıktı olasılıklarını tahmin etmekse, bana ne önerirsiniz?

Baum-Welch maksimum olabilirlik tahmincisini hesaplamak için bir optimizasyon algoritmasıdır. Gizli Markov modelleri için olasılık yüzeyi oldukça çirkin olabilir ve kesinlikle içbükey değildir. İyi başlangıç ​​noktalarında algoritma daha hızlı ve MLE'ye yakınlaşabilir.

Geçiş olasılıklarını zaten biliyorsanız ve Viterbi algoritmasıyla gizli durumları tahmin etmek istiyorsanız, geçiş olasılıklarına ihtiyacınız vardır. Onları zaten biliyorsanız, Baum-Welch kullanarak bunları yeniden tahmin etmeye gerek yoktur. Yeniden tahmin, tahminden hesaplamalı olarak daha pahalıdır.

HMM'nin İlk Tahminlerine ilişkin bazı materyaller

Lawrence R. Rabiner (Şubat 1989). "Gizli Markov Modelleri ve konuşma tanıma seçilen uygulamalar hakkında bir öğretici". IEEE 77 (2): 257-286. doi: 10.1109 / 5.18626 (Bölüm VC)

Ayrıca bir göz alabilir Matlab / Octave için Olasılık modelleme araç seti , özellikle hmmFitEm Sen modelin kendi Başlangıç parametre sağlamak ya da sadece ( 'nrandomRestarts' seçeneğini) kullanılarak yapabilirsiniz fonksiyonu. 'NrandomRestarts' kullanırken, ilk model (başlangıç ​​aşamasında) şunları kullanır:

• Devamlı veriler için MLE / MAP (EM kullanarak) üzerinden bir Gaussians karışımı takın;
• Ayrık veriler için MLE / MAP (EM kullanarak) ile ayrı dağılımların bir ürün karışımını yerleştirin;

ikinci, üçüncü modeller ... (başlangıç ​​aşamasında) rastgele başlatılan parametreleri kullanır ve sonuç çoğunlukla daha düşük Log Olasılık değerleri ile daha yavaş yakınsak olur.