baumwelch演算法

❶ 怎麼將baum-welch演算法運用於室內定位csdn

怎麼將baum-welch演算法運用於室內定位csdn
這是一段程序中的代碼：
int randomNumber=(int)(Math.random()*8)+1;
所給出的注釋是：得到一個1到8之間的隨機整數。開始的時候不是很懂，於是翻書、上網找資料，但是得到的結果都是一樣的。Math.random()的作用是得到0-1之間的隨機數。那麼是如何實現的呢？
仔細想一想其實並不是很復雜：Math.random()的取值應該是0-1（事實上取不到0和1）之間的隨機小數，乘以8之後應該是0-8之間的隨機小數，也就是0.****到7.****之間的小數（大於0而小於8），經過int類型轉換之後，應該是0-7之間的隨機整數，所以"+1"之後就會得到1－8之間的

❷ Baum-Welch是什麼

鮑姆-韋爾奇
這是兩個人
傑克·韋爾奇 1935年11月19日生於馬薩諸塞州薩蘭姆市，1957年獲得馬薩諸塞州大學化學工程學士學位，1960年獲得伊利諾斯大學化學工程博士學位。
鮑姆這個人不大清楚
HMM模型中的C語言有種Baum-Welch演算法 非常有名 翻譯的時候翻譯為中文名我想就可以了

❸ 怎麼判斷 baum-welch演算法收斂

1：先判斷是否收斂。 2：如果收斂，且為交錯級數，則絕對收斂。 其實就是交錯級數如果加絕對值收斂則為條件收斂，如果交錯級數不加絕對值也收斂，則為絕對收斂。

❹ 如何證明並直觀理解Baum-Welch演算法中這一等式

事實

❺ 哪些演算法讓你感覺醍醐灌頂

整數因子分解的Pallord-Rho演算法。差不多是O(n^0.25)效率，n是數的大小（所以對位數的話就指數級別了）
這個演算法本身其實到還不算醍醐灌頂。重點在其中的一個優化：在一個環中如果一個人以1的速度另一個人以2的速度（同向），那麼他們必然相遇。雖然簡單，但是異常漂亮^^

我覺得, 醍醐灌頂的, 當屬 並查集和動態規劃. 並查集的路徑壓縮 至今我認為是我看過里最簡潔最優美的設計. 而動態規劃, 在我心裡是一種很務實, 很有教育意義的演算法, "步步最優並非結果最優", "Trade－off", 等等． 這兩個, 對我而言, 確實是醍醐灌頂的.

❻ barra em演算法 估計 什麼參數

baum-welch演算法是一種對hmm模型做參數估計的方法，是EM演算法的一個特例。
前向後向演算法是已知模型和序列求概率的演算法，也是用於訓練的Baum-Welch演算法的循環中的一個步驟。

❼ 哪些演算法曾讓你感覺醍醐灌頂

貝葉斯定理
比如這樣一個問題：你喜歡上一個人的概率，你覺得一個人某方面好的概率，你喜歡上一個人然後覺得這個人某方面好的概率，你覺得一個人某方面好然後喜歡上這個人的概率，這4個之間有什麼關系呢？
用數學語言表達：P(喜歡上一個人), P(覺得一個人某方面好), P(覺得這個人某方面好|喜歡上一個人) 和 P(喜歡上這個人|覺得一個人某方面好) 有什麼關系呢？
我們生活中遇到的很多概率其實都是條件概率/後驗概率(在某一條件下成立的事件的概率)，貝葉斯定理揭示了不同的條件概率之間的關系: )
一瞬間，感覺讓你發現了世界運行了某些奧秘
KMP非常優美，SIFT 圖像匹配演算法很強大，plsa語義相似度計算也讓我震撼，不過最讓我震撼的還是mathematica里的fullsimplify背後的演算法。
Fullsimplify這玩意能搞定很多人都搞不定的公式，我說的搞不定是指該問題本身人可以在三五步之內求解，但卻是很難求解的問題，例如某些三角函數的積分需要巧妙地作換元積分才能得解。
從思想上看，最深刻的是遞歸，以及求泛函極值的最小作用量。基於這兩種思想的演算法，比如快排、HMM中的Baum-Welch，都是精美的演算法，但背後的思想根基並非首創。動態規劃、蒙特卡洛類的演算法也屬此列。
此外，有「道法自然」意味的模擬退火、蟻群、遺傳、粒子群這些，思想方法上有創新，但是演算法設計上與神經網路、SVM、HMM相比，就略顯粗糙。

❽ baumwelch演算法用到數據了嗎

我簡單地介紹了隱馬爾科夫模型HMM，並且重點介紹了HMM的三個問題中的第一個，即概率計算問題。首先回顧一下這三個問題都是什麼以及解決每個問題的主流演算法：

概率計算問題即模型評價問題——前向演算法和後向演算法
學習問題即參數估計問題——Baum-Welch演算法
預測問題即解碼問題——Viterbi演算法
在上一篇概率計算問題的最後，我列出了幾個用前向概率和後向概率表示的一些有意義的概率值和期望的計算，它們的直接意義就是用於表示學習問題和預測問題公式推導中復雜的中間結果的表示。所以，要想徹底搞懂Baum-Welch演算法和Viterbi演算法演算法，就必須清楚地明白這些概率和期望到底是怎麼計算出來的。

然而，本博文並不打算將這兩個演算法全部的公式推導寫下來，那太繁雜了。如果想窺探這兩個演算法的細節，直接看李航博士的《統計學習方法》對應的內容就好了。本文只是將這兩個演算法推導中的一些隱晦的地方做一個通俗的解釋，希望能給像我一樣數學功底一般的朋友帶來幫助。

❾ 誰做過 EM演算法 java實現

參考：

packagenlp;
/**
*@authorOrisun
*date2011-10-22
*/
importjava.util.ArrayList;

publicclassBaumWelch{

intM;//隱藏狀態的種數
intN;//輸出活動的種數
double[]PI;//初始狀態概率矩陣
double[][]A;//狀態轉移矩陣
double[][]B;//混淆矩陣

ArrayList<Integer>observation=newArrayList<Integer>();//觀察到的集合
ArrayList<Integer>state=newArrayList<Integer>();//中間狀態集合
int[]out_seq={2,1,1,1,2,2,2,2,2,1,1,1,1,2,2,2,2,1,1,
1,1,1,2,2,2,1,1,1,1,1,2,1};//測試用的觀察序列
int[]hidden_seq={1,1,1,1,2,2,2,2,2,2,2,2,2,2,2,2,2,1,
1,1,1,1,2,2,2,1,1,1,1,1,1,1};//測試用的隱藏狀態序列
intT=32;//序列長度為32

double[][]alpha=newdouble[T][];//向前變數
doublePO;
double[][]beta=newdouble[T][];//向後變數
double[][]gamma=newdouble[T][];
double[][][]xi=newdouble[T-1][][];

//初始化參數。Baum-Welch得到的是局部最優解，所以初始參數直接影響解的好壞
publicvoidinitParameters(){
M=2;
N=2;
PI=newdouble[M];
PI[0]=0.5;
PI[1]=0.5;
A=newdouble[M][];
B=newdouble[M][];
for(inti=0;i<M;i++){
A[i]=newdouble[M];
B[i]=newdouble[N];
}
A[0][0]=0.8125;
A[0][1]=0.1875;
A[1][0]=0.2;
A[1][1]=0.8;
B[0][0]=0.875;
B[0][1]=0.125;
B[1][0]=0.25;
B[1][1]=0.75;

observation.add(1);
observation.add(2);
state.add(1);
state.add(2);

for(intt=0;t<T;t++){
alpha[t]=newdouble[M];
beta[t]=newdouble[M];
gamma[t]=newdouble[M];
}
for(intt=0;t<T-1;t++){
xi[t]=newdouble[M][];
for(inti=0;i<M;i++)
xi[t][i]=newdouble[M];
}
}

//更新向前變數
publicvoipdateAlpha(){
for(inti=0;i<M;i++){
alpha[0][i]=PI[i]*B[i][observation.indexOf(out_seq[0])];
}
for(intt=1;t<T;t++){
for(inti=0;i<M;i++){
alpha[t][i]=0;
for(intj=0;j<M;j++){
alpha[t][i]+=alpha[t-1][j]*A[j][i];
}
alpha[t][i]*=B[i][observation.indexOf(out_seq[t])];
}
}
}

//更新觀察序列出現的概率，它在一些公式中當分母
publicvoipdatePO(){
for(inti=0;i<M;i++)
PO+=alpha[T-1][i];
}

//更新向後變數
publicvoipdateBeta(){
for(inti=0;i<M;i++){
beta[T-1][i]=1;
}
for(intt=T-2;t>=0;t--){
for(inti=0;i<M;i++){
for(intj=0;j<M;j++){
beta[t][i]+=A[i][j]
*B[j][observation.indexOf(out_seq[t+1])]
*beta[t+1][j];
}
}
}
}

//更新xi
publicvoipdateXi(){
for(intt=0;t<T-1;t++){
doublefrac=0.0;
for(inti=0;i<M;i++){
for(intj=0;j<M;j++){
frac+=alpha[t][i]*A[i][j]
*B[j][observation.indexOf(out_seq[t+1])]
*beta[t+1][j];
}
}
for(inti=0;i<M;i++){
for(intj=0;j<M;j++){
xi[t][i][j]=alpha[t][i]*A[i][j]
*B[j][observation.indexOf(out_seq[t+1])]
*beta[t+1][j]/frac;
}
}
}
}

//更新gamma
publicvoipdateGamma(){
for(intt=0;t<T-1;t++){
doublefrac=0.0;
for(inti=0;i<M;i++){
frac+=alpha[t][i]*beta[t][i];
}
//doublefrac=PO;
for(inti=0;i<M;i++){
gamma[t][i]=alpha[t][i]*beta[t][i]/frac;
}
//for(inti=0;i<M;i++){
//gamma[t][i]=0;
//for(intj=0;j<M;j++)
//gamma[t][i]+=xi[t][i][j];
//}
}
}

//更新狀態概率矩陣
publicvoipdatePI(){
for(inti=0;i<M;i++)
PI[i]=gamma[0][i];
}

//更新狀態轉移矩陣
publicvoipdateA(){
for(inti=0;i<M;i++){
doublefrac=0.0;
for(intt=0;t<T-1;t++){
frac+=gamma[t][i];
}
for(intj=0;j<M;j++){
doubledem=0.0;
//for(intt=0;t<T-1;t++){
//dem+=xi[t][i][j];
//for(intk=0;k<M;k++)
//frac+=xi[t][i][k];
//}
for(intt=0;t<T-1;t++){
dem+=xi[t][i][j];
}
A[i][j]=dem/frac;
}
}
}

//更新混淆矩陣
publicvoipdateB(){
for(inti=0;i<M;i++){
doublefrac=0.0;
for(intt=0;t<T;t++)
frac+=gamma[t][i];
for(intj=0;j<N;j++){
doubledem=0.0;
for(intt=0;t<T;t++){
if(out_seq[t]==observation.get(j))
dem+=gamma[t][i];
}
B[i][j]=dem/frac;
}
}
}

//運行Baum-Welch演算法
publicvoidrun(){
initParameters();
intiter=22;//迭代次數
while(iter-->0){
//E-Step
updateAlpha();
//updatePO();
updateBeta();
updateGamma();
updatePI();
updateXi();
//M-Step
updateA();
updateB();
}
}

publicstaticvoidmain(String[]args){
BaumWelchbw=newBaumWelch();
bw.run();
System.out.println("訓練後的初始狀態概率矩陣：");
for(inti=0;i<bw.M;i++)
System.out.print(bw.PI[i]+"	");
System.out.println();
System.out.println("訓練後的狀態轉移矩陣：");
for(inti=0;i<bw.M;i++){
for(intj=0;j<bw.M;j++){
System.out.print(bw.A[i][j]+"	");
}
System.out.println();
}
System.out.println("訓練後的混淆矩陣：");
for(inti=0;i<bw.M;i++){
for(intj=0;j<bw.N;j++){
System.out.print(bw.B[i][j]+"	");
}
System.out.println();
}
}
}