人工智能里的数学修炼 | 概率图模型 ： 隐马尔可夫模型
人工智能里的数学修炼 | 隐马尔可夫模型：前向后向算法
人工智能里的数学修炼 | 隐马尔可夫模型 ： 维特比(Viterbi)算法解码隐藏状态序列
人工智能里的数学修炼 | 隐马尔可夫模型：基于EM的鲍姆-韦尔奇算法求解模型参数
隐马尔可夫模型的参数为λ={A,B,π}\lambda=\{A,B,\pi\}λ={A,B,π}, 对余其参数的求解，可以分为两种情况。
第一种情况较为简单，就是我们已知长度为TTT的观测序列和对应的隐藏状态序列，即{(O,I)}\{(O,I)\}{(O,I)}是已知的，此时我们可以很容易的用最大似然来求解模型参数。
第二种情况较为复杂，很多时候，我们无法得到隐马尔可夫模型观察序列对应的隐藏序列，即只有{O}\{O\}{O}是已知的，此时，我们就需要采用到鲍姆-韦尔奇算法，其实本质上也就是就是EM算法
目录
一、鲍姆-韦尔奇算法原理二、鲍姆-韦尔奇算法的推导三、鲍姆-韦尔奇算法的流程四、更多资源下载一、鲍姆-韦尔奇算法原理
鲍姆-韦尔奇算法在每一次迭代中，都分为E和M两步，在E步，我们需要基于联合分布P(O,I∣λ)P(O,I|\lambda)P(O,I∣λ)和条件概率P(I∣O,λˉ)P(I|O,\bar{\lambda})P(I∣O,λˉ)的算出期望QQQ（其中λˉ\bar{\lambda}λˉ为当前迭代中模型参数），然后在M步中极大化这个期望，获得更新的模型参数λ\lambdaλ。通过不停的EM迭代，使得模型参数收敛
E步的期望表达式为：
Q=∑IP(I∣O,λˉ)logP(O,I∣λ)Q=\sum_{I}P(I|O,\bar{\lambda})logP(O,I|\lambda)Q=I∑P(I∣O,λˉ)logP(O,I∣λ)在M步我们极大化上式，然后得到更新后的模型参数如下：
λˉ=argmaxλˉ∑IP(I∣O,λˉ)logP(O,I∣λ)\bar{\lambda}=argmax_{\bar{\lambda}}\sum_{I}P(I|O,\bar{\lambda})logP(O,I|\lambda)λˉ=argmaxλˉI∑P(I∣O,λˉ)logP(O,I∣λ)通过，E步和M步不断的迭代，我们可以得到收敛的参数λˉ\bar{\lambda}λˉ。
上面的式子可能有些地方不知道该如何计算，接下来讲解，具体的推导和计算方法
二、鲍姆-韦尔奇算法的推导
输入：长度为TTT的观测序列O={(o1),(o2),...,(oT)}O=\{(o_{1}),(o_{2}),...,(o_{T})\}O={(o1),(o2),...,(oT)}，所有的可能的状态集合q1,q2,...,qN{q_{1},q_{2},...,q_{N}}q1,q2,...,qN, 所有可能的观测集合v1,v2,...,vM{v_{1},v_{2},...,v_{M}}v1,v2,...,vM
未知：隐藏的状态序列I={(i1),(i2),...,(iT)}I=\{(i_{1}),(i_{2}),...,(i_{T})\}I={(i1),(i2),...,(iT)}
目标: λ={A,B,π}\lambda=\{A,B,\pi\}λ={A,B,π}
对于鲍姆-韦尔奇算法的E步，我们需要首先计算联合分布P(O,I∣λ)P(O,I|\lambda)P(O,I∣λ)如下：
P(O,I∣λ)=πi1bi1(o1)ai1i2bi2(o2)ai2i3...bi(T−1)(oT−1)ai(T−1)i(T)biT(oT)P(O,I|\lambda)=\pi_{i1}b_{i1}(o_{1})a_{i1i2}b_{i2}(o_{2})a_{i2i3}...b_{i(T-1)}(o_{T-1})a_{i(T-1)i(T)}b_{iT}(o_{T})P(O,I∣λ)=πi1bi1(o1)ai1i2bi2(o2)ai2i3...bi(T−1)(oT−1)ai(T−1)i(T)biT(oT)因为条件概率P(I∣O,λˉ)=P(O,I∣λ)P(O,λ)P(I|O,\bar{\lambda})=\frac{P(O,I|\lambda)}{P(O,\lambda)}P(I∣O,λˉ)=P(O,λ)P(O,I∣λ)且P(O,λ)P(O,\lambda)P(O,λ)是一个参数, 期望Q可以简化为
Q=∑IP(O,I∣λˉ)logP(O,I∣λ)Q=\sum_{I}P(O,I|\bar{\lambda})logP(O,I|\lambda)Q=I∑P(O,I∣λˉ)logP(O,I∣λ)将P(O,I∣λ)P(O,I|\lambda)P(O,I∣λ)带入上式，我们有
Q=∑IP(O,I∣λˉ)logπi+∑I(∑tTlogbit(ot))P(O,I∣λˉ)+∑I(∑tT−1logaiti(t+1))P(O,I∣λˉ)Q=\sum_{I}P(O,I|\bar{\lambda})log\pi_{i}+\sum_{I}(\sum_{t}^{T}logb_{it}(o_{t}))P(O,I|\bar{\lambda})+\sum_{I}(\sum_{t}^{T-1}loga_{iti(t+1)})P(O,I|\bar{\lambda})Q=I∑P(O,I∣λˉ)logπi+I∑(t∑Tlogbit(ot))P(O,I∣λˉ)+I∑(t∑T−1logaiti(t+1))P(O,I∣λˉ)
接下来对于对于鲍姆-韦尔奇算法的M步，我们需要极大化Q，这要求对Q的三个子式子分别求导，可以得到
πˉi=γ1(i)\bar{\pi}_{i}=\gamma_{1}(i)πˉi=γ1(i)其中γt(i)=P(it=qi∣O,λ)=P(it=qi,O∣λ)P(O∣λ))\gamma_{t}(i)=P(i_{t}=q_{i}|O,\lambda)=\frac{P(i_{t}=q_{i},O|\lambda)}{P(O|\lambda))}γt(i)=P(it=qi∣O,λ)=P(O∣λ))P(it=qi,O∣λ)表示在观测序列OOO给定的条件下，时刻ttt处于状态qiq_{i}qi的概率。
aˉij=∑t=1T−1ξt(i,j)∑t=1Tγt(i)\bar{a}_{ij}=\frac{\sum_{t=1}^{T-1}\xi_{t}(i,j)}{\sum_{t=1}^{T}\gamma_{t}(i)}aˉij=∑t=1Tγt(i)∑t=1T−1ξt(i,j)这里ξt(i,j)=P(it=qi,it+1=qj∣O,λ)\xi_{t}{(i,j)}=P(i_{t}=q_{i},i_{t+1}=q_{j}|O,\lambda)ξt(i,j)=P(it=qi,it+1=qj∣O,λ)表示在观测序列OOO给定的条件下，时刻ttt处于状态qiq_{i}qi且时刻t+1t+1t+1处于qjq_{j}qj的概率。
bˉj(k)=∑t−1Tγt(j)I(ot=vk)∑t=1Tγt(j)\bar{b}_{j}(k)=\frac{\sum_{t-1}^{T}\gamma_{t}(j)I(o_{t}=v_{k})}{\sum_{t=1}^{T}\gamma_{t}(j)}bˉj(k)=∑t=1Tγt(j)∑t−1Tγt(j)I(ot=vk)
三、鲍姆-韦尔奇算法的流程
初始化参数λˉ={A,B,π}\bar{\lambda}=\{A,B,\pi\}λˉ={A,B,π}更新迭代参数πˉi=γ1(i)\bar{\pi}_{i}=\gamma_{1}(i)πˉi=γ1(i)
aˉij=∑t=1T−1ξt(i,j)∑t=1Tγt(i)\bar{a}_{ij}=\frac{\sum_{t=1}^{T-1}\xi_{t}(i,j)}{\sum_{t=1}^{T}\gamma_{t}(i)}aˉij=∑t=1Tγt(i)∑t=1T−1ξt(i,j)
bˉj(k)=∑t−1Tγt(j)I(ot=vk)∑t=1Tγt(j)\bar{b}_{j}(k)=\frac{\sum_{t-1}^{T}\gamma_{t}(j)I(o_{t}=v_{k})}{\sum_{t=1}^{T}\gamma_{t}(j)}bˉj(k)=∑t=1Tγt(j)∑t−1Tγt(j)I(ot=vk)模型收敛，停止迭代
四、更多资源下载
微信搜索“老和山算法指南”获取更多下载链接与技术交流群
有问题可以私信博主，点赞关注的一般都会回复，一起努力，谢谢支持。
