viterbi 維特比解碼過程，狀態轉移矩陣

viterbi過程

1.hmm類似。 狀態轉移，發射概率

2.逐次計算每個序列節點的所有狀態下的概率值，最大概率值對應的index。

3.概率值的計算，上乙個節點的概率值*轉移概率+當前概率值。

4.最後取出最大的乙個值對應的indexes

難點： 理解viterbi的核心點，在於每個時間步都保留每乙個可視狀態，每乙個可視狀態保留上乙個時間步的最大隱狀態轉移，

每乙個時間步t記錄上乙個最大概率轉移過來的時間步t-1的資訊，包括index/概率值累積。

迭代完時間步，根據最後乙個最大累積概率值，逐個往前找即可。 根據index對應的狀態逐個往前找。

應用： 狀態轉移求解最佳轉移路徑。 只要連續時間步，每個時間步有狀態分布，前後時間步之間有狀態轉移，就可以使用viterbi進行最佳狀態轉移計算求解。

狀態轉移矩陣的作用在於 在每個狀態轉移概率計算時，和固有的狀態轉移矩陣進行加和，再計算。相當於額外的概率新增。

import

numpy as np
defviterbi_decode(score, transition_params):
"""保留所有可視狀態下，對seqlen中的每一步的所有可視狀態情況下的中間狀態求解概率最大值，如此
:param score:
:param transition_params:
:return:
"""#
score [seqlen,taglen] transition_params [taglen,taglen]
trellis=np.zeros_like(score)
trellis[0]=score[0]
backpointers=np.zeros_like(score,dtype=np.int32)
for t in range(1,len(score)):
matrix_node=np.expand_dims(trellis[t-1],axis=1)+transition_params #
axis=0 代表發射概率初始狀態
trellis[t]=score[t]+np.max(matrix_node,axis=0)
backpointers[t]=np.argmax(matrix_node,axis=0)
viterbi=[np.argmax(trellis[-1],axis=0)]
for backpointer in reversed(backpointers[1:]):
viterbi_score = np.max(trellis[-1])
viterbi.reverse()
print
(trellis)
return
viterbi,viterbi_score
defcalculate():
score = np.array([[1, 2, 3],
[2, 1, 3],
[1, 3, 2],
[3, 2,1]]) #
(batch_size, time_step, num_tabs)
transition = np.array([ [2, 1, 3], [1, 3, 2], [3, 2, 1] ] )#
(num_tabs, num_tabs)
lengths = [len(score[0])] #
(batch_size, time_step) # numpy print("[numpy]")
#np_op = viterbi_decode( score=np.array(score[0]), transition_params=np.array(transition))
#print(np_op[0])
#print(np_op[1])
print("
**********===
") #
tensorflow
#score_t = tf.constant(score, dtype=tf.int64)
#transition_t = transition, dtype=tf.int64
tf_op =viterbi_decode( score, transition)
print('
--------------------')
print
(tf_op)
if__name__=='
__main__':
calculate()

維特比演算法（Viterbi）

import numpy as np state transfer np.array 0.5,0.2,0.3 0.3,0.5,0.2 0.2,0.3,0.5 狀態轉移矩陣 observe prob np.array 0.5,0.5 0.4,0.6 0.7,0.3 觀測概率矩陣 initial np....

維特比演算法（Viterbi）

編輯 維特比演算法是一種 動態規劃演算法用於尋找最有可能產生觀測事件序列的 維特比路徑 隱含狀態序列,特別是在馬爾可夫資訊源上下文和隱馬爾可夫模型中。術語 維特比路徑 和 維特比演算法 也被用於尋找觀察結果最有可能解釋相關的動態規劃演算法。例如在統計句法分析中動態規劃演算法可以被用於發現最可能的上下...

維特比viterbi演算法

先舉個例子來解釋 已知情況 假如模型已經學出這些引數概率 隱含的身體狀態 可觀察的感覺狀態 月兒預判的阿驢身體狀態的概率分布 月兒認為的阿驢身體健康狀態的轉換概率分布 健康發燒 健康0.7 0.4發燒 0.30.6 月兒認為的在相應健康狀況條件下，阿驢的感覺的概率分布 健康發燒 正常0.5 0.1冷...