在R

Question

我想通过Poisson观察训练一个新的hmm模型，这是我所知道的唯一。 我使用mhsmm软件包进行R。

首先让我感到困惑的是模型的初始化，例如：

J<-3
initial <- rep(1/J,J)
P <- matrix(1/J, nrow = J, ncol = J)
b <- list(lambda=c(1,3,6))
model = hmmspec(init=initial, trans=P, parms.emission=b,dens.emission=dpois.hsmm)

在我的情况下，我没有排放分布参数的初始值，这是我想要估算的。怎么样？

其次：如果我只有观察，我如何将它们传递给

h1 = hmmfit(list_of_observations, model ,mstep=mstep.pois)

为了获得训练有素的模型？ 在示例中，list_of_observations包含一个状态向量，一个观测值和一个观测序列长度，通常通过模拟模型获得：

list_of_observations = simulate(model, N, rand.emis = rpois.hsmm)

编辑：发现这个老问题的答案部分解决了我的问题： MHSMM package in R-Input Format? 这两行就是诀窍：

train <- list(x = data.df$sequences, N = N)
class(train) <- "hsmm.data"

其中data.df $ sequences是包含所有观察序列的数组，N是包含每个序列的观察计数的数组。 尽管如此，最初的模型是完全随机的，但我想这是它的意图，因为它将被重新估计，我是对的吗？

Answer 1

初始化问题不仅对HMM和HSMM至关重要，而且对于基于期望最大化算法形式的所有学习方法都至关重要。 EM在模型和数据之间的可能性方面收敛到局部最优，但这并不总能保证达到全局最优。

Answer 2

• 目标：查找排放分布的估算值，但它也适用于初始概率和转换矩阵 < / LI>
• 算法：需要初始估算才能从
开始优化
• 您：必须提供参数的初始“猜测”

这一开始可能会让人感到困惑，但 EM算法需要一个点来启动优化。然后它进行一些计算，它可以让你更好地估计自己的初始猜测（如你所说，重新估计）。它无法在没有初始化的情况下自行找到最佳参数。

根据我的经验，没有通用的方法来初始化保证收敛到全局最优的参数，但它将更多地取决于手头的情况。这就是为什么初始化起着至关重要的作用（主要用于排放分配）。

在这种情况下，我过去常常将不同组中的训练数据（例如集合中某个参数的百分位数）分开，估计这些组的参数，然后将它们用作初始参数估计值。 EM算法。基本上，你必须尝试不同的方法，看看哪种方法效果最好。

如果用HMM解决了类似的问题，我建议搜索文献，并尝试初始化方法。