隐马尔可夫模型中初始过渡概率的意义

在隐马尔可夫模型中为过渡概率指定某些初始值有什么好处？最终，系统将学习它们，那么赋予随机值以外的其他值又有什么意义呢？底层算法是否会像Baum-Welch这样有所作为？

如果我从一开始就非常准确地知道了转移概率，并且我的主要目的是预测从隐藏状态到观测值的输出概率，那么您对我有什么建议？

Baum-Welch是用于计算最大似然估计量的优化算法。对于隐藏的马尔可夫模型，似然表面可能非常难看，并且肯定不是凹面的。有了良好的起点，算法可以收敛得更快，并朝着MLE方向发展。

如果您已经知道转换概率，并希望通过Viterbi算法预测隐藏状态，则需要转换概率。如果您已经知道它们，则无需使用Baum-Welch重新估计它们。重新估计在计算上比预测昂贵。

有关HMM初始估计的一些材料在

劳伦斯·R·拉比纳（Lawrence R.Rabiner）（1989年2月）。“有关隐马尔可夫模型和语音识别中所选应用程序的教程”。IEEE 77（2）：257-286。doi：10.1109 / 5.18626（VC节）

您还可以查看Matlab / Octave的概率建模工具包，尤其是hmmFitEm函数，您可以在其中提供自己的模型的初始参数或仅使用（'nrandomRestarts'选项）。在使用“ nrandomRestarts”时，第一个模型（在初始化步骤）使用：

• 通过MLE / MAP（使用EM）拟合高斯混合，以获取连续数据；
• 通过MLE / MAP（使用EM）拟合离散分布的混合产品以获取离散数据；

第二个，第三个模型...（在初始化步骤中）使用随机初始化的参数，结果收敛速度较慢，且对数似然值较低。