游戏中的隐马尔可夫模型

Question

好吧，我对这里的 HMM 概念比较陌生。

我目前所知道的是，对于一个具有指定状态数（N）、指定观测符号数（M）和给定观测序列（O）的未知模型，我们可以找到一个概率最大化的模型O.

有了这个，我创建了一个 HMM，它利用了这个文档 http://www.cs.sjsu.edu/~stamp/RUA/HMM.pdf 中的代码 -> 第 7 节伪代码

A B 和 pi 的初始值大约是 1/N 和 1/M。我使用matlab生成数字，因此数字不精确但相似。

现在假设 O 的长度为 1000，我根据伪代码将其输入 HMM。最终状态是我得到了一个 A 、 B 和 pi 的模型，它可以自我调整以适应 O。到目前为止我的进展是否正确？

如果是这样，我接下来要做的就是找到未来可能的观测值 1001 (o1001)。

根据我对 HMM 的片面理解，我需要做的是从我最后所拥有的，采取目前最可能的状态（在学习 1000 次观察后取自 A）并找出最可能的观察来自它（通过查看来自 A 的状态的 B 矩阵的行）

关于如何预测第 1001 个观测值的最后一部分，我不太确定。到目前为止，如果我走在正确的轨道上，有人可以告诉我吗？

Answer 1

好吧，在玩了一段时间之后，终于稍微了解了我的发现。

我之前提到的是错误的。为了找到下一个可能的观察值，即 1001 我需要执行以下操作来找到 p(O[1001] = k | O(1..1000)) 这基本上意味着在给定之前 1000 个观察值的情况下找到观察的概率，这是 Bi(O(1000) 的总和= K) * Aji*alpha1000(j) 的总和。