隐马尔可夫模型:当前观察取决于先前的观察

时间:2017-10-24 04:35:44

标签: hidden-markov-models markov-chains markov

这个问题是针对齐次离散HMM的情况。

在常规HMM中,当前状态的概率仅取决于先前状态,即Pr(S_t | S_1,S_2,...,S_(t-1))= Pr(S_t | S_(t) -1)),输出观察的概率取决于当前状态,即Pr(O_t | O_1,...,O_(t-1),S_1,...,S_t)= Pr(O_t | S_T)。然后,我们可以使用前向后向(Baum-Welch)算法来估计过渡和发射概率。

我的问题是关于当前观察取决于当前状态和先前观察的情况,即Pr(O_t | O_1,...,O_(t-1),S_1,...,S_t) = Pr(O_t | O_(t-1),S_t)。如何训练这样的模型?我在考虑使用相同的Baum-Welch算法,但不是每个状态都有M个发射概率(代表M个可能的输出),而是存在MxM发射概率。我的意思是每个状态的发射概率都是2D方阵,其中例如行代表前一状态的观测值,列代表当前状态下的观测值。

这有效吗?解决这个问题的论文还有其他想法或引用吗?我搜索了研究此类案例的论文,但遗憾的是没有找到任何论文。

0 个答案:

没有答案