숨겨진 마르코프 모델에서 초기 전이 probabilites의 중요성

히든 마르코프 모델에서 전환 확률에 특정 초기 값을 부여하면 어떤 이점이 있습니까? 결국 시스템은 그것들을 배우므로 임의의 값 이외의 값을 제공하는 요점은 무엇입니까? 기본 알고리즘이 Baum-Welch와 같은 차이를 만들어 냅니까?

처음에 과도기 확률을 매우 정확하게 알고 주요 목적이 숨겨진 상태에서 관측치까지의 출력 확률을 예측하는 것이라면 무엇을 조언 하시겠습니까?

Baum-Welch는 최대 우도 추정값을 계산하기위한 최적화 알고리즘입니다. 숨겨진 Markov 모델의 경우 가능성 표면이 매우 추악 할 수 있으며 확실히 오목하지는 않습니다. 시작점이 좋으면 알고리즘이 더 빠르게 MLE로 수렴 될 수 있습니다.

전환 확률을 이미 알고 있고 Viterbi 알고리즘으로 숨겨진 상태를 예측하려면 전환 확률이 필요합니다. 이미 알고 있다면 Baum-Welch를 사용하여 재 추정 할 필요가 없습니다. 재 추정은 계산보다 계산적으로 더 비쌉니다.

HMM의 초기 견적에 관한 자료 중 일부는

Lawrence R. Rabiner (1989 년 2 월). "숨겨진 Markov 모델 및 음성 인식에서 선택한 응용 프로그램에 대한 자습서". IEEE 77 (2)의 절차 : 257–286. doi : 10.1109 / 5.18626 (섹션 VC)

또한 한 번 봐 걸릴 수 있습니다 matlab에 / 옥타브에 대한 확률 모델링 툴킷 , 특히 hmmFitEm 당신은 모델의 자신의 초기 매개 변수를 제공하거나 ( 'nrandomRestarts'옵션)를 사용 할 수 있습니다 기능. 'nrandomRestarts'를 사용하는 동안 첫 번째 모델 (init 단계)은 다음을 사용합니다.

• 데이터를 계속 사용하려면 MLE / MAP (EM 사용)을 통해 가우스 혼합을 맞추십시오.
• 불연속 데이터를 위해 MLE / MAP (EM 사용)을 통해 불연속 분포 제품 혼합을 적합합니다.

두 번째, 세 번째 모델 ... (초기 단계에서)은 임의로 초기화 된 매개 변수를 사용하며 결과적으로 대부분 로그 가능성 값이 낮을수록 결과가 더 느리게 수렴됩니다.