我正在尝试使用顺序形式的连续数据集实施HMM学习/培训。我试图用高斯混合/ EM算法构建新的HMM训练，但是我遇到了一些问题，因此我切换到python中的hmmlearn库。
有关我的数据集的概述
例如，列表包含标准化的训练数据。
列表中的元素总数= 75
列表中的每个元素都是一个np数组。
列表中的数据是连续的车辆行驶数据。
'X_train = [[100*4], [100*4], [100*4], [100*4].........................[100*4]]'
len(X_train) = 75
X_Train[0] = [100*4]
X_Train.columns=['Speed','Angle', 'Acceleration1', 'Acceleration2']
每隔特定时间从车辆接收的[100 * 4]数据。假设X_train [0]是15到30秒的驾驶学习数据。 X_train [1。]可能需要15到30秒才能驾驶学习数据，依此类推.....
hmmlearn中的问题
在 hmmlearn 库中，我想澄清一些查询。
我的目标是为我的数据集获取训练模型的参数，例如初始概率，状态转移概率，高斯权重，均值和协方差。
使用2个高斯2个隐藏状态创建的模型
model = hmm.GMMHMM(n_components=2, n_mix=2, covariance_type="diag", n_iter=100)
问题1：
我应该concatenate将整体数据集Working with multiple seq from hmmlearn document列为一个列表吗？
如果是，那么我的training data set (X)的大小将为7500 *4，并且lengths参数将具有类似lengths = [100, 100, 100, ......100]的列表
这是适合的实施方式吗？
问题：2
我如何检查EM算法的收敛性？我已经看过 monitor _ 的文档 功能。但是我听不懂。
问题：3
训练后，我想检查大小为100 * 4的未训练序列的概率（使用正向算法）。那么，使用经过训练的模型参数来应用正向算法所需的功能是什么？
我已经发布了许多与HMM培训有关的问题，但是根据我的要求，我还没有满意的答案。我希望hmmlearn库可以帮助