Значення початкових ймовірностей переходу у прихованій марківській моделі

Які переваги надають певні початкові значення перехідним ймовірностям у прихованій моделі Маркова? Врешті-решт система їх вивчить, тож який сенс давати значення, крім випадкових? Чи змінюється базовий алгоритм, такий як Баум-Велч?

Якщо я знаю ймовірності переходу на початку дуже точно, і моя головна мета - передбачити вихідні ймовірності з прихованого стану до спостережень, що б ви порадили мені?

Baum-Welch - це алгоритм оптимізації для обчислення максимальної ймовірності. Для прихованих моделей Маркова поверхня ймовірності може бути досить потворною, і вона, звичайно, не увігнута. З хорошими вихідними точками алгоритм може сходитися швидше і в напрямку до MLE.

Якщо ви вже знаєте ймовірності переходу та хочете передбачити приховані стани за алгоритмом Вітербі, вам потрібні ймовірності переходу. Якщо ви їх вже знаєте, немає необхідності переоцінювати їх за допомогою Баума-Велча. Переоцінка обчислювально дорожче прогнозування.

Деякі матеріали, що стосуються початкових кошторисів HMM, наведені в

Лоуренс Р. Рабінер (лютий 1989 р.). "Навчальний посібник щодо прихованих моделей Маркова та вибраних програм для розпізнавання мовлення". Праці IEEE 77 (2): 257–286. doi: 10.1109 / 5.18626 (розділ VC)

Ви також можете ознайомитись з інструментарієм імовірнісного моделювання для Matlab / Octave , особливо функцією hmmFitEm, де Ви можете надати свій власний Початковий параметр моделі або просто скориставшись (опція 'nrandomRestarts'). Під час використання 'nrandomRestarts' перша модель (на кроці init) використовує:

• Помістіть суміш гауссів через MLE / MAP (використовуючи EM) для продовження даних;
• Встановити суміш продукту дискретних розподілів через MLE / MAP (використовуючи EM) для дискретних даних;

друга, третя моделі ... (на кроці init) використовують випадкові ініціалізовані параметри і як результат повільніше сходяться з переважно меншими значеннями вірогідності журналу.