寻找前向算法的用途

Question

我正在寻找Rabiner（forward Algorithm on wikipedia）提出的前向算法的一些实际应用。

我更喜欢执行时间很重要的应用程序。

Answer 1

如果你的意思是前向后向算法，那就是在Baum-Welch algorithm内部用于训练HMM，它用于各种领域，如NLP（词性标注，语音识别）和生物信息学。

Answer 2

实际上，前向算法与Baum-Welch中使用的前向（EM）算法不同。前向算法用于确定处于给定观察序列的状态的概率。对于每次观察，您将获取针对先前观察计算的状态的概率，然后使用转移概率表将其延长一步。前向算法基本上是一种有效的方法，因为它缓存了所有中间状态概率，因此它们只计算一次。 （这是一种记忆或动态编程的形式......）

Baum-Welch算法用于从数据中导出过渡和发射概率，而前向算法（和Viterbi算法）使用这些数据来计算状态概率，并且最有可能是给定观测值的状态。

Answer 3

澄清几点，因为我不同意维基百科对Forward算法的描述（见Durbin）：

前向（和单独，后向）用于计算状态路径未知时观察/发射序列的概率，而且，比原始方法（非常快速地结束）更有效地计算该概率在组合爆炸中）。它们一起可以提供观察序列中每个位置的给定发射/观察的概率。根据该信息，计算最可能的状态路径的版本（“后验解码”）。维特比算法计算最可能的状态路径的另一个版本。

实际上，与计算给定序列w.r.t的概率的麻烦相比，前向或后向的良好实现将为您节省大量时间。 每个其他状态路径。

您将在任何您想要分离系统所处状态的上下文中看到这些应用，以及您可以测量系统的可观察量。最可雇佣（也很复杂）的可能是财务问题。简单地说，你的状态路径是由[Bull，Bear]的元素组成的，并且你在过去的几个月中从VIX或其他方面获得了后验解码的状态路径，其解决方案与您正在进行的商业/地缘政治事件相关试图抓住。这种计算可用于训练您的模型，因为您收到新的和更多的数据（通过Baum-Welch或更一般的EM算法），Forward会告诉您何时获得的数据（您的实时序列）观察结果相对于您对模型的期望（从那时开始训练）的概率变得非常低。从统计学上讲，这就是你买或卖的时候。