Bazı yazımları kaydetmek için, gözlemlenen verileri , eksik verileri Z (örn. HMM'nin gizli durumları) ve Q'yu bulmaya çalıştığımız parametre vektörünü (örn. Geçiş / emisyon olasılıkları) arayın .XZQ
Sezgisel açıklama temelde, hile bildiğimiz bir an için taklit olduğunu biz dönüş bize sağlayan en çok MLE bulduğu Z koşullu dağılımını bulabilmesi için Q an için temelde dairesel yapıyoruz gerçeğini görmezden ( ), sonra aldattığımızı, Q için yeni, daha iyi değerimizi koyduğumuzu ve artık aldatmak zorunda kalmayıncaya kadar tekrar tekrar yaptığımızı itiraf edin .QQQ
Biraz daha teknik, gerçek değeri biliyoruz davranarak , biz koşullu dağılımı hakkında bir şeyler bilmek gibi davranabilirsin Z | { X , Q } bize yönelik tahminini geliştirmek sağlar, Q şimdi gerçek değeri taklit, Q biz koşullu dağılımı hakkında bir şeyler biliyormuş gibi, böylece Z | { X , Q } bize yönelik tahminini geliştirmek sağlar, Q , ... vb.QZ|{X,Q}QQZ|{X,Q}Q
Daha da teknik olarak, bilseydik , günlüğü ( f ( Q | X , Z ) ) en üst düzeye çıkarabilir ve doğru cevabı alabiliriz. Sorun şu ki , Z'yi bilmiyoruz ve Q için herhangi bir tahmin ona bağlı olmalıdır. Ancak Z için en iyi tahmini (veya dağılımı) bulmak istiyorsak , X ve Q'yu bilmemiz gerekir . Analitik olarak benzersiz maksimizatörü istiyorsak tavuk ve yumurta durumunda sıkışıp kalırız.Zlog(f(Q|X,Z))ZQZXQ
Herhangi bir tahmin için - Bizim 'dışarı' olmasıdır (diyoruz Q n ) - biz dağılımını bulabilirsiniz Z | { Q n , X } ve böylece beklenen ortak günlük olasılığımızı Q | { X , Z } şartlı dağılımı ile ilgili olarak, Z | { Q n , X } . Bu nasıl koşullu dağılım temelde söyler Z mevcut değerine bağlıdır Q verilen XQQnZ|{Qn,X}Q|{X,Z}Z|{Qn,X}ZQXVe bize nasıl değiştirileceğini bildiren hem bizim olasılığını artırmak için Q ve Z belirli bir değeri için aynı anda Q (biz hitap ettin ya Q n ). Yeni bir dışarı aldı sonra Q n + 1 , biz için farklı koşullu dağılımı Z | { Q n + 1 , X } ve bu nedenle beklentiyi yeniden hesaplamak zorundasınız.QQZQQnQn+1Z|{Qn+1,X}