matlab - 使用 hmm 对序列进行分类的基本帮助

Question

我是 matlab、隐马尔可夫模型和机器学习的新手，正在尝试对给定的信号序列进行分类。请让我知道我所遵循的方法是否正确:

1. 创建一个 N × N 转换矩阵并填充随机值，每行总和为 1。 (N 将是状态数)
2. 创建一个 N x M 发射/观测矩阵并填充随机值，每行总和为 1

3. 将序列的不同实例(即每个实例都会说“你好”这个词)转换成一个长流并将每个流提供给 hmm train 函数，这样:

   new_transition_matrix old_transition_matrix = hmmtrain(sequence,old_transition_matrix,old_emission_matrix)

4. 给出最终的转换和发射矩阵，用未知序列进行 hmm 解码，给出概率 即 [posterior_states logrithmic_probability] = hmmdecode(sequence, final_transition_matrix,final_emission_matris)

Answer 1

1. 和2. 是正确的。你必须小心你的初始转换和发射矩阵不是完全统一的，它们应该为 training 稍微随机化。去工作。

3. 我会单独输入“Hello”序列，而不是将它们连接起来形成一个长序列。

假设这是 Hello 的序列:[1,0,1,1,0,0]。如果你从 3 个 'Hello' 序列组成一个长序列，你会得到:

data = [1,0,1,1,0,0,1,0,1,1,0,0,1,0,1,1,0,0]

这并不理想，您应该像这样分别输入序列:

数据 = [1,0,1,1,0,0; 1,0,1,1,0,0； 1,0,1,1,0,0]。

由于您使用的是 MatLab，我建议使用 HMM toolbox由墨菲。它有一个关于如何训练具有多个观察序列的 HMM 的演示:

M = 3;
N  = 2;

% "true" parameters
prior0 = normalise(rand(N ,1));
transmat0 = mk_stochastic(rand(N ,N ));
obsmat0 = mk_stochastic(rand(N ,M));

% training data: a 5*6 matrix, e.g. 5 different 'Hello' sequences of length 6
number_of_seq = 5;
seq_len= 6;
data = dhmm_sample(prior0, transmat0, obsmat0, number_of_seq, seq_len);

% initial guess of parameters
prior1 = normalise(rand(N ,1));
transmat1 = mk_stochastic(rand(N ,N ));
obsmat1 = mk_stochastic(rand(N ,M));

% improve guess of parameters using EM
[LL, prior2, transmat2, obsmat2] = dhmm_em(data, prior1, transmat1, obsmat1, 'max_iter', 5);
LL

4.你说的是对的，下面是你在HMM工具箱中计算对数概率的方法:

% use model to compute log[P(Obs|model)]
loglik = dhmm_logprob(data, prior2, transmat2, obsmat2)

最后:看看这个 paper by Rabiner如果有任何不清楚的地方，请了解数学是如何工作的。

希望这对您有所帮助。