首页 > 试题广场 >

在HMM中,如果已知观察序列和产生观察序列的状态序列,那么可

[单选题]
在HMM中,如果已知观察序列和产生观察序列的状态序列,那么可用以下哪种方法直接进行参数估计()
  • EM算法
  • 维特比算法
  • 前向后向算法
  • 极大似然估计
EM算法: 只有观测序列,无状态序列时来学习模型参数,即Baum-Welch算法
维特比算法: 用动态规划解决HMM的预测问题,不是参数估计
前向后向:用来算概率
极大似然估计:即观测序列和相应的状态序列都存在时的监督学习算法,用来估计参数
故应选D
(参考李航博士《统计学习方法》)
发表于 2016-04-20 17:49:12 回复(0)
HMM当中涉及到:观测序列O,产生观测序列状态序列X(相当于隐变量),还有参数
概率计算问题:已知观测序列O和参数,求在条件下的最大概率。概率计算问题可以使用前向算法后向算法求解。
学习问题:已知观测序列O,求解参数,使得在该参数下的观测序列出现概率最大。这个时候状态序列未知,相当于含有隐变量的参数求解问题,这种问题一般使用EM算法,具体到HMM当中使用Baum-Welch算法
普通参数求解问题:已知观测序列O,还有状态序列X,求解参数问题,使得最大。这是一个普通的参数求解问题,那么可以直接使用极大似然估计来进行求解。
解码问题:已知观测序列O和参数,求解最有可能的状态序列X,使得最大。使用维特比算法求解。
发表于 2018-08-28 16:14:27 回复(0)
D 极大似然估计
在给定观测序列和对应的状态序列估计模型参数,可以利用极大似然发估计。

如果给定观测序列,没有对应的状态序列,才用EM,将状态序列看不不可测的隐数据

发表于 2016-03-04 14:35:02 回复(0)
维特比算法解决的是给定 一个模型和某个特定的输出序列,求最可能产生这个输出的状态序列。如通过海藻变化(输出序列)来观测天气(状态序列),是预测问题,通信中的解码问题 Baum-Welch算法解决的是一个模型训练问题,即参数估计,是一种无监督的训练方法,主要通过EM迭代实现;

发表于 2016-03-11 19:16:37 回复(0)
EM算法: 只有观测序列,无状态序列时来学习模型参数,即Baum-Welch算法
维特比算法: 用动态规划解决HMM的预测问题,不是参数估计
前向后向:用来算概率
极大似然估计:即观测序列和相应的状态序列都存在时的监督学习算法,用来估计参数
发表于 2019-08-12 11:00:11 回复(1)
D选项为正确答案。因为题目中已知状态序列和观察序列,因此可以采用极大似然估计来估计模型参数。EM算法用于不知道状态序列时对参数的估计。维特比算法用于已知模型参数和观测序列Y, 来预测最有可能的状态序列。前向后向算法用于模型参数已知,计算观测状态的概率。
发表于 2023-08-28 14:53:14 回复(0)
EM算法: 只有观测序列,没有状态序列时来学习模型参数,即Baum-Welch算法
维特比算法: 用动态规划解决HMM的预测问题,不是参数估计
前向后向:用来算概率
极大似然估计:即观测序列和相应的状态序列都存在时的监督学习算法,用来估计参数
故应选D
发表于 2019-02-23 10:05:40 回复(0)
/*在HMM中,已知观察序列和产生该观察序列的状态序列,可以使用Viterbi 算法根据可观察序列得到可能性最大的隐藏状态的序列。*/

编辑于 2016-03-02 23:05:58 回复(0)
A吧?
编辑于 2016-03-02 07:41:03 回复(0)