2012-12-13 4 views
4

다양한 길이의 시퀀스가 ​​있습니다. 이를 위해 나중에 (부분) 시퀀스의 가능한 지속을 예측하기 위해 나중에 사용하려는 숨겨진 마코프 모델을 교육하고 싶습니다. 지금까지 HMM을 사용하여 미래를 예측하는 두 가지 방법을 찾았습니다.숨겨진 마르코프 모델을 사용하여 향후 예측을 수행하는 방법

1) 계속해서 훈계를 계속하고 그 연속 시퀀스에 대한 가능성을 얻으십시오. 예상 가능성이 가장 높은 것을 선택하십시오. 이 방법은 대륙에 가능한 값에 대한 노골적인 지식이 필요합니다.

2) (부분) 시퀀스와 함께 Viterbi 알고리즘을 사용하여 가장 가능성있는 숨겨진 상태 시퀀스를 얻습니다. 이 시퀀스에서 마지막 숨은 상태의 방출 분포를 취하여 예를 들어 예측합니다. 그 분포의 평균 (종종 가우시안이다).

내 질문은 : HMM을 사용하여 미래를 예측할 수있는 다른 원칙, 가능한 한 더 원칙이 있습니까?

감사합니다.

답변

0

HMM의 마르코프 가정은 시간 T + 1에서 상태가 T.

조건으로 T 전에 모든 국가의 독립한다고

귀하의 옵션이는 것을 제외하고, 내가 제안 무엇에 가까운 마지막 상태로 최우선 할당을 사용하고 있습니다. 대신 시퀀스의 마지막 항목의 숨겨진 상태에 대한 분포를 계산하십시오. 이것은 Viterbi 알고리즘에서 "maxes"를 "sum"으로 대체하는 것입니다. (https://www.coursera.org/course/pgm을 참조하고, "sum-product"알고리즘, 그렇지 않으면 Belief Propagation으로 검색하십시오.)

그런 다음, 미래를 시험하기 위해, 당신이하는 일은 먼저 주어진 분포를 바탕으로 마지막 상태를 샘플링하는 것입니다. 그런 다음 전환 행렬과 반복 광고 nauseum을 사용하여 다음 숨겨진 상태를 샘플링합니다. 시퀀스의 마지막 지점 이후에 실제 관측치가 없기 때문에 마르코프 체인에서 샘플링합니다. 부분 시퀀스에 대해 알고있는 모든 것을 생각하면 미래의 샘플을 얻을 수 있습니다. 이것이 Viterbi와 다른 이유는 부분 할당의 숨겨진 변수에 대한 가장 가능성있는 할당조차도 낮은 확률을 가질 수 있기 때문입니다. 마지막 상태에서 전체 분포를 사용하면 다음 (관찰되지 않은 미래) 상태를 훨씬 더 정확하게 예측할 수 있습니다.

관련 문제