我正在尝试理解维特比算法。
这些州是; S1、S2、S3、开始、结束
这些值经过四舍五入和截断。
平滑后的状态转移表如下;
S1 S2 S3 B E
S1 -0.7 -1.6 -1.6 -INF -2.0
S2 -2.0 -1.3 -0.7 -INF -2.0
S3 -1.3 -0.7 -2.0 -INF -2.0
B -1.2 -1.2 -1.2 -INF -1.9
E-INF-INF-INF-INF-INF
从状态到红、绿、蓝的平滑发射表;
RED GREEN BLUE
S1 -0.9 -1.2 -1.6
S2 -1.6 -0.9 -1.2
S3 -1.6 -1.6 -0.6
B-INF-INF-INF
E-INF-INF-INF
问题是; 已经看到的符号是; 红红绿蓝
最有可能的状态是什么?
因此;
我根据上面的值创建了维特比算法矩阵;
第一行代表看到红色符号时的 S1、S2、S3 值,就像看到红色、绿色和蓝色时代表 S1、S2、S3 值的其余行一样。
对于第一行,我计算了它;
通过取自然对数来平滑值,因此我将值相加而不是相乘。
第一次看到红色;
δ(S1) = MAX{P(S1|B)+P(R|S1)+δ(B)} = -1.2 - 0.9 + 0= -2.1
δ(S2) = MAX{P(S2|B)+P(R|S2)+δ(B)} = -1.2 - 1.6 + 0= -2.8
δ(S3) = MAX{P(S3|B)+P(R|S3)+δ(B)} = -1.2 - 1.6 + 0= -2.8
就像上面一样,对于下一个看到的红色;
δ(S1) = MAX{ (P(S1|S1)+P(R|S1)+δ(S1) ), ( P(S1|S2)+P(R|S2)+δ(S2) ), ( P(S1|S3)+P(R|S3)+δ(S3) )}
= MAX{ (-0.7-0.9-2.1),(-1.6-1.6-2.8), (-1.6-1.6-2.8) } = MAX{-3.7, -6, -6}
最大值为 -3.7,因此看到红色时的 S1 值; -3.7。其余值按上述计算。
维特比算法矩阵;
S1 S2 S3 B E
红色-2.1 -2.8 -2.8 -INF -INF
红色-3.7 -5.2 -5.2 -INF -INF
绿色-5.8 -6.3 -7.0 -INF -INF
蓝色-8.1 -8.6 -7.8 -INF -INF
这个例子的答案表明最可能的状态是: S1、S1、S2、S3
但是不应该这样; S1,S1,S1,S3?因为第一个红色的最大值是-2.1,属于S1,第二个红色的最大值又是S1,第三个红色的最大值又是S1,蓝色的S3值是最高的。我可能是错的,因为我实际上无法理解维特比的动态规划方法。
最佳答案
您应该开始信任成熟的算法;-)。说真的,你在前两步的计算中没有犯错,并且由于算法以同样的方式进行,我猜你在接下来的步骤中也没有犯错。
那么这是怎么回事呢?我猜你的错误(在我看来,这不是一个错误,而是你尝试理解事物是件好事)是你没有将最后一步纳入你的想法中。事实上,如果您有状态序列 RED,RED,GREEN,您的结果将是 S1,S1,S1。
但是,当您现在添加下一个信号“蓝色”时,算法会考虑到转换 S1->S3(这是蓝色的首选状态)比 S2->S3 的可能性要小得多。因此,它有利于 S1,S1,S2,S3 而不是 S1,S1,S1,S3,即使后者会单独最小化前三个信号。
关于machine-learning - 维特比算法 序列查找,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23569735/