Tầm quan trọng của xác suất chuyển tiếp ban đầu trong mô hình markov ẩn

Những lợi ích của việc đưa ra các giá trị ban đầu nhất định cho xác suất chuyển tiếp trong Mô hình Markov ẩn là gì? Cuối cùng, hệ thống sẽ tìm hiểu chúng, vậy đâu là điểm đưa ra các giá trị khác với các giá trị ngẫu nhiên? Thuật toán cơ bản có tạo ra sự khác biệt như Baum không Welch không?

Nếu tôi biết xác suất chuyển tiếp lúc đầu rất chính xác và mục đích chính của tôi là dự đoán xác suất đầu ra từ trạng thái ẩn sang quan sát, bạn sẽ khuyên tôi điều gì?

Baum-Welch là một thuật toán tối ưu hóa để tính toán công cụ ước tính khả năng tối đa. Đối với các mô hình Markov ẩn, bề mặt khả năng có thể khá xấu và chắc chắn nó không lõm. Với điểm khởi đầu tốt, thuật toán có thể hội tụ nhanh hơn và hướng tới MLE.

Nếu bạn đã biết xác suất chuyển tiếp và muốn dự đoán các trạng thái ẩn bằng thuật toán Viterbi, bạn cần xác suất chuyển tiếp. Nếu bạn đã biết chúng, không cần phải ước tính lại chúng bằng Baum-Welch. Việc ước tính lại đắt hơn về mặt tính toán so với dự đoán.

Một số tài liệu liên quan đến Ước tính ban đầu của HMM được đưa ra trong

Lawrence R. Rabiner (tháng 2 năm 1989). "Hướng dẫn về Mô hình Markov ẩn và các ứng dụng được chọn trong nhận dạng giọng nói". Thủ tục tố tụng của IEEE 77 (2): 257 già286. doi: 10.1109 / 5.18626 (Phần VC)

Bạn cũng có thể xem bộ công cụ mô hình xác suất cho Matlab / Octave , đặc biệt là hàm hmmFitEm nơi bạn có thể cung cấp tham số ban đầu của mô hình hoặc chỉ sử dụng (tùy chọn 'nrandomRestarts'). Trong khi sử dụng 'nrandomRestarts', mô hình đầu tiên (ở bước init) sử dụng:

• Điều chỉnh hỗn hợp Gaussian qua MLE / MAP (sử dụng EM) để tiếp tục dữ liệu;
• Điều chỉnh hỗn hợp sản phẩm của các bản phân phối riêng biệt thông qua MLE / MAP (sử dụng EM) cho dữ liệu rời rạc;

các mô hình thứ hai, thứ ba ... (ở bước init) sử dụng các tham số khởi tạo ngẫu nhiên và kết quả là hội tụ chậm hơn với các giá trị Khả năng đăng nhập thấp hơn.