概率图：HMM：Learning问题（EM算法）

标签：问题   约束   info   资料   VID   shu   参数表   src   width   

一：问题描述

Learning问题就是参数估计问题，也就是求模型参数λ，具体形式为 ：λ_hat=argmax P(O|λ)   【通过最大化似然求得最优模型参数 λ；优化算法用EM，可类比GMM模型中求θ用的EM】

二、EM算法应用于HMM-learning模型的公式推导（具体可参考之前博客GMM：EM）

                                                                                 （来源：B站up主，shuhuai008,板书） 

备注：

①最后求出后，需要再代回，最后得到t+1时刻的Π值。【拉格朗日乘子法也可以用于求数值解】

②将EM算法应用于HMM算法的求解，其实就是引入EM算法的公式（用HMM的参数表达），另外加上拉格朗日乘子法得到λ=（Π,A,B）的迭代公式

　　　    用HMM参数表达的EM算法

公式推导中的关键小技巧：

③积分求和与条件概率=> 化简公式

④隐含约束：Σ₁^NΠi=1

⑤EM算法表达为求解最大值形式：argmax，带上隐含约束即为带约束的最值问题，自然地想到用拉格朗日乘子法求解。

参考资料：

1.https://www.bilibili.com/video/BV1MW41167Rf?p=5。作者：shuhuai008

概率图：HMM：Learning问题（EM算法）

标签：问题   约束   info   资料   VID   shu   参数表   src   width   

原文地址：https://www.cnblogs.com/feynmania/p/13282639.html