按照网上的代码,自己敲了一下,改了一点点,理解加深了一下。

还有训练HMM的EM算法没看懂,下次接着看;

参考连接:http://www.cnblogs.com/hanahimi/p/4011765.html

 # -*- coding: utf-8 -*-

 '''
function: 根据网上的代码,学习实现 HMM,前向计算概率,后向预测状态序列,学习算法参数
date: 2017.8.9
''' import numpy as np class HMM(object):
"""docstring Ann, Bnm, piln HMM"""
def __init__(self, Ann, Bnm, piln):
self.A = Ann
self.B = Bnm
self.pi = piln
self.N = self.A.shape[0] #状态的种类个数
self.M = self.B.shape[1] #观测序列的长度 #打印hmm的信息
def printHmm(self):
print("=======================================")
print('hmm content N = ', self.N, ' M = ', self.M)
for i in range(self.N):
if i == 0:
print('hmm.A ', self.A[i,:],'hmm.B', self.B[i,:])
else:
print(' ', self.A[i,:], ' ', self.B[i,:])
print('hmm.pi', self.pi)
print('========================================') '''
function: 维特比算法
input: A,B,pi,O
output: P(o|lambda) 最大的时候,状态的路径序列
'''
def viterbi(self, O):
T = len(O) #观察序列的长度 #初始化,这里从0~T-1
#delta t行 n列,代表有t个时间点,每个时间点可能有n种状态
delta = np.zeros((T, self.N), np.float) #二维数组记录计算的所有概率,包括了最有的点
phi = np.zeros((T, self.N), np.int) #记录概率最大路径的前一个状态
I = np.zeros(T, np.int) #这里如果不显示表明类型为 np.int,就是float?
for i in range(self.N):
delta[0,i] = self.pi[i] * self.B[i,O[0]] #t = 0时刻,各个状态的起始概率
phi[0,i] = 0 #t=0时刻前缀状态都是0 #递推
for t in range(1,T): #从 1 开始
for i in range(self.N):
delta[t,i] = self.B[i,O[t]] * np.array([delta[t-1,j]*self.A[j,i] \
for j in range(self.N)]).max()
phi[t,i] = np.array([delta[t-1, j]*self.A[j,i] for j in range(self.N)]).argmax()
#结束
prob = delta[T-1,:].max() #T-1时刻是最后时刻,哪个状态在最后时刻概率最大就是最优路径的起始点
I[T-1] = phi[T-1,:].argmax() #最优路径的起点状态编号
#状态序列获取
for t in range(T-2, -1, -1): #从 T-1 到 -1(不包括-1),间隔是-1,即递减
I[t] = phi[t+1, I[t+1]]
return I, prob '''
function: 前向算法计算擦观察序列 O 出现的概率
input: A,B,pi,O
output: prob
'''
def forward(self, O):
T = len(O)
alpha = np.zeros((T, self.N), np.float) #暂存计算的所有概率,按照时间点向前推进
#初始化
for i in range(self.N):
alpha[0,i] = self.pi[i] * self.B[i, O[0]] #迭代计算
for t in range(T-1):
for i in range(self.N): #这里B[i,O[t]]也可以放在for的外面乘
alpha[t+1,i] = np.array([alpha[t, j]*self.A[j,i]*self.B[i,O[t+1]] for \
j in range(self.N)]).sum() #终止
prob = np.array([alpha[T-1, j] for j in range(self.N)]).sum()
return prob '''
function: 后向算法,计算观测序列出现的概率 '''
def backword(self, O):
T = len(O)
beta = np.zeros((T, self.N), np.float) #暂存计算的概率 #初始化
for i in range(self.N):
beta[T-1, i] = 1 #从后向前
#迭代计算
for t in range(T-2, -1, -1):
for i in range(self.N):
beta[t,i] = np.array([[A[j,i] * B[j,O[t+1]] * beta[t+1,j]] for \
j in range(self.N)]).sum() prob = np.array([self.pi[j] * self.B[i,O[1]] * beta[1,j] for j in range(self.N)]).sum() return prob if __name__ == 'main': print('python my HMM') #HMM模型的参数
A = [[0.8125,0.1875],[0.2,0.8]]
B = [[0.875,0.125], [0.25,0.75]] #每一行的和是 1
pi = [0.5,0.5]
hmm = HMM(A,B,pi) #构建HMM print(hmm) print('python my HMM') #HMM模型的参数
A = np.mat([[0.8125,0.1875],[0.2,0.8]])
B = np.mat([[0.875,0.125], [0.25,0.75]]) #每一行的和是 1
pi = [0.5,0.5]
O = [[1,0,0,1,1,0,0,0,0],
[1,1,0,1,0,0,1,1,0],
[0,0,1,1,0,0,1,1,1]] hmm = HMM(A,B,pi) #构建HMM #计算前向概率,产生特定观测序列O的概率
prob = hmm.forward(O[0])
print('前向算法产生 O 序列的概率是: ' + str(prob)) #后向算法计算观测序列的概率
prob = hmm.backword(O[0])
print('后向算法概率是: ' + str(prob))
#计算隐含概率,维特比算法
path, prob2 = hmm.viterbi(O[0])
print('产生 O 序列最大概率路径是: ' + str(path))
print('概率是: ' + str(prob2)) hmm.printHmm()

HMM代码实现的更多相关文章

  1. HMM代码实践

    本文主要转载于:http://www.52nlp.cn/hmm-learn-best-practices-eight-summary 这个文章是边看边实践加上自己的一些想法生成的初稿..... 状态转 ...

  2. Python实现HMM(隐马尔可夫模型)

    1. 前言 隐马尔科夫HMM模型是一类重要的机器学习方法,其主要用于序列数据的分析,广泛应用于语音识别.文本翻译.序列预测.中文分词等多个领域.虽然近年来,由于RNN等深度学习方法的发展,HMM模型逐 ...

  3. 浅谈分词算法(4)基于字的分词方法(CRF)

    目录 前言 目录 条件随机场(conditional random field CRF) 核心点 线性链条件随机场 简化形式 CRF分词 CRF VS HMM 代码实现 训练代码 实验结果 参考文献 ...

  4. 隐型马尔科夫模型(HMM)向前算法实例讲解(暴力求解+代码实现)---盒子模型

    先来解释一下HMM的向前算法: 前向后向算法是前向算法和后向算法的统称,这两个算法都可以用来求HMM观测序列的概率.我们先来看看前向算法是如何求解这个问题的. 前向算法本质上属于动态规划的算法,也就是 ...

  5. 隐马尔科夫模型 介绍 HMM python代码

    #HMM Forward algorithm #input Matrix A,B vector pi import numpy as np A=np.array([[0.5,0.2,0.3],[0.3 ...

  6. HMM 隐马尔科夫 Python 代码

    import numpy as np # -*- codeing:utf-8 -*- __author__ = 'youfei' # 隐状态 hidden_state = ['sunny', 'rai ...

  7. 一文搞懂HMM(隐马尔可夫模型)

    什么是熵(Entropy) 简单来说,熵是表示物质系统状态的一种度量,用它老表征系统的无序程度.熵越大,系统越无序,意味着系统结构和运动的不确定和无规则:反之,,熵越小,系统越有序,意味着具有确定和有 ...

  8. [综]隐马尔可夫模型Hidden Markov Model (HMM)

    http://www.zhihu.com/question/20962240 Yang Eninala杜克大学 生物化学博士 线性代数 收录于 编辑推荐 •2216 人赞同 ×××××11月22日已更 ...

  9. [原创]java WEB学习笔记66:Struts2 学习之路--Struts的CRUD操作( 查看 / 删除/ 添加) 使用 paramsPrepareParamsStack 重构代码 ,PrepareInterceptor拦截器,paramsPrepareParamsStack 拦截器栈

    本博客的目的:①总结自己的学习过程,相当于学习笔记 ②将自己的经验分享给大家,相互学习,互相交流,不可商用 内容难免出现问题,欢迎指正,交流,探讨,可以留言,也可以通过以下方式联系. 本人互联网技术爱 ...

随机推荐

  1. ios 集成阿里百川的坑-【SDK初始化-iOS】读取身份图片AppKey失败

    最简易方法调用淘宝app: 引用文件 #import <AlibcTradeSDK/AlibcTradeSDK.h> AlibcWebViewController* view = [[Al ...

  2. C++11写算法之选择排序

    选择排序,顾名思义,指从数组后面将最小的值找出来,然后与最前面(指当前位置)值进行交换. 时间复杂度:O(n^2) 空间复杂度:O(1) 此处应用了C++11的auto , lambda , stat ...

  3. 制作dos启动u盘

    需要准备的工具: 空U盘的U盘HP优盘启动盘格式化工具 链接:https://pan.baidu.com/s/1i59wgUp 密码:l5ke 1.1插入U盘,打开   HP优盘启动盘格式化工具 1. ...

  4. [HAOI2012] 容易题[母函数]

    794. [HAOI2012] 容易题 ★★☆   输入文件:easy.in   输出文件:easy.out   简单对比时间限制:1 s   内存限制:128 MB 秒 输入:easy.in 输出: ...

  5. mongodb超时

    1 connection timeout 设置连接mongo数据库的超时时间,如果在该时间内未连接成功,那么就是超时了. 2 socket timeout 设置一次操作的超时时间,比如一次查询,如果在 ...

  6. velocity 遍历EventHandler Iterator

    EventHandlerUtil 类的 iterateOverEventHandlers方法 for (Iterator i = handlerIterator; i.hasNext();){ Eve ...

  7. MySQL复制(三):常见的复制任务

    复制案例:包括横向扩展.热备 报表 企业需要挖掘有价值的报表信息,使用SLAVE,可以避免干扰到master的复制. 通过binlog获取某个时间范围的所有事件 $ mysqlbinlog --for ...

  8. 转载:阮一峰 理解RESTful架构

    转载 http://www.ruanyifeng.com/blog/2011/09/restful.html 越来越多的人开始意识到,网站即软件,而且是一种新型的软件. 这种"互联网软件&q ...

  9. boost之网络通信

    ip::tcp的内部类型socket,acceptor以及resolver是TCP通信中最核心的类. 1.同步客户端代码: #include <iostream> #include < ...

  10. python调用html内的js方法

    这方面资料不多,不懂html,不懂js,略懂python的我,稍微看了点html和js,好几天的摸索,终于测试成功了. PYQT+HTML利用PYQT的webview调用JS内方法 1.python调 ...