Question

我正在与hidden markov models合作。更具体地说，用于过滤和平滑的前向和后向算法。我已经确定了一个表示并且有一个前向fn，它采用隐藏变量和模型的先前概率分布并返回新的概率分布。现在我想要一个过滤函数，它接受一系列传感器状态和一个模型，并返回一个由

组成的序列

初始状态（包含在模型中）
在返回序列，下一个传感器状态和模型中使用前一状态的前进结果。
重复2直到不再有传感器状态。

我已经设法通过递归来实现这一点，但由于它不是尾部位置递归，它会重复出现并且似乎是非惯用的并且通常是一个糟糕的解决方案。我已经尝试将其表述为for，reduce和iterate，但我似乎无法使它们适合。有什么方法可以改善吗？

(defn filtering
  "Perform filtering to decide the likely state based on evidence.
  Returns a sequence of state probabilities given a sequence of evidence."
  [evidence {:keys [transition sense initial state-map] :as model}]
  (if (empty? evidence)
    (vector initial)
    (let [reading (first evidence)
          history (filtering (drop 1 evidence) model)
          previous-state (vector (peek history)) 
          fwd (forward previous-state reading model) ]
      (conj history fwd)
      )
    )
  )

Answer 1

递归首先下降到evidence的末尾并生成(:initial model)。这是减少的初始值。

然后，递归的每个返回级别将#(forward %1 %2 model)应用于较低递归级别的应用程序结果（%1为peek）和下一个证据元素（作为%2）。此代码迭代地将两个参数函数应用于序列的连续元素（以相反的顺序采用） - 显然是reduce的情况。

但是这些结果累积在history向量中，该向量返回到递归的上层。累积结果的reduce为reductions。所以我相信代码的结构大致是这样的：

(reductions #(forward %1 %2 model) (:initial model) (reverse evidence))

函数采用顺序args和自己以前的值

1 个答案: