维特比算法步骤:
1.初始化
2.递推
3.终止
4、最优路径回溯
解释一下:我们要得到最优路径,viterbi采用的式局部最优来解决,每一次都取时间t到时间t+1的概率最大的路径。开始要初始化,先计算t=1时的概率 δ1(1),δ1(2),δ1(3)。令φ1(1)=0,φ1(2)=0,φ1(3)=0。再计算从t=1时刻到t=2时刻每一个状态改变到下一个状态的概率(即状态转移矩阵)选出每个状态中最大的来作为φ2(i)存起来作为最佳局部路径。递推下去,终止的时候P*即为实现该最佳局部路径的概率。再最佳路径回溯回去,找到其路径。
看一个案子
这里把第一天去迪士尼,第二天还在迪士尼的概率改成0.5。
代码实现:
import numpy as np
def Viterbi(A, B, PI, V, Q, obs):
# V观测集合(买不买),Q状态集合(哪个地方)
N = len(Q)
T = len(obs)
delta = np.array([[0] * N] * T, dtype=np.float64)
phi = np.array([[0] * N] * T, dtype=np.int64)
# 初始化,即t=1时
for i in range(N): # 遍历每个状态
delta[0, i] = PI[i] * B[i][V.index(obs[0])] # delta=pi(i)*bi(o1)
phi[0, i] = 0 # f1(1)=0,f1(2)=0,f1(3)=0
# 递归计算,即t>=2
for i in range(1, T):
for j in range(N): # N=3,即A的列数,A的列数就等于状态数
tmp = [delta[i - 1, k] * A[k][j] for k in range(N)] # tmp=max(delta(t-1)*a(ji))
# 计算上一个到下一个的概率
delta[i, j] = max(tmp) * B[j][V.index(obs[i])] # delta=tmp*bi(ot)
# 乘以相应观测概率得到delta
phi[i, j] = tmp.index(max(tmp)) # ft(i)=argmax(delta(t-1)a(ji))
# 记录下概率最大的下标
# 最终概率及节点
P = max(delta[T - 1, :]) # P=max(delta(i))
#P就是最后t=3时最大的delta
I = int(np.argmax(delta[T - 1, :])) # i*(T)=argmax[delta(i)]
#i3*=最大的delta对应的下标,此题I=2
# 最优路径path
path = [I]
for i in reversed(range(1, T)):#321
end = path[-1]
path.append(phi[i, end])#添加进来f3(end),f2(end),f1(end),end分别是2,2,3
hidden_states = [Q[i] for i in reversed(path)]#逆序输出path,Q[3]->Q[3]->Q[2]
return P, hidden_states
if __name__ == '__main__':
# 状态集合
Q = ('欢乐谷', '迪士尼', '外滩')
# 观测矩阵
V = ['购物', '不购物']
# 转移矩阵
A = [
[0.8, 0.05, 0.15],
[0.2, 0.5, 0.3],
[0.2, 0.3, 0.5]
]
# 发射矩阵
B = [
[0.1, 0.9],
[0.8, 0.2],
[0.3, 0.7]
]
# 初始概率
PI = [1 / 3, 1 / 3, 1 / 3]
# 观测序列
obs = ['不购物', '购物', '购物']
P, hidden_states = Viterbi(A, B, PI, V, Q, obs)
print('最大的概率为:%.5f.' % P)
print('隐藏序列为:%s.' % hidden_states)