matlab - 在 Matlab 中对序列进行分类的隐马尔可夫模型

Question

我是机器学习的新手，我读过 Matlab 的隐马尔可夫模型统计工具箱，我想使用它对给定的信号序列进行分类。我在矩阵 P 中有 3D 坐标，即 [501x3]，我想以此为基础训练模型。 Evert 完整的轨迹结束于一组特定的点，即在 (0,0,0) 处它实现了它的目标。

根据我的场景，什么是合适的伪代码/方法。

我的伪代码:

1. 501x3 矩阵 P 是发射矩阵，其中每个坐标都是状态
2. 随机 NxN 转换矩阵值(但我对此感到困惑)
3. 使用函数 hmmgenerate 生成测试序列
4. 使用 hmmtrain(sequence,old_transition,old_emission) 进行训练
5. 使用未知序列将最终转换和发射矩阵提供给 hmmdecode 以给出概率(也令人困惑)

编辑 1:简而言之，我想用 HMM 对每个 [501x3] 的 10 类轨迹进行分类。我想为每个轨迹采样 50 行，即 [50x3] 以构建模型。但是，对于此类随机序列，我有 HMM 的 murphyk 的 工具箱。

Answer 1

以下是使用隐马尔可夫模型对 d 维序列进行分类的方法的一般概述:

1) 培训:

对于每个类 k:

• 准备一个 HMM 模型。这包括初始化以下内容:
  • 一个转换矩阵:Q-by-Q 矩阵，其中 Q 是状态数
  • 先验概率向量:Q-by-1 向量
  • 排放模型:在您的情况下，观测值是 3D 点，因此您可以使用 mutlivariate normal distribution (具有指定的均值向量和协方差矩阵)或 Guassian mixture model (一堆使用混合系数组合的 MVN 分布)
• 正确初始化上述参数后，您训练 HMM 模型，将属于此类的序列集提供给它(EM 算法)。

2) 预测

接下来对新序列X进行分类:

• 使用每个模型 log P(X|model_k)
计算序列的对数似然
• 然后您选择概率最高的类别。这是类(class)预测。

---

正如我在评论中提到的，Statistics Toolbox只实现离散观察 HMM 模型，所以你将不得不找到另一个库或自己实现代码。 Kevin Murphy 的工具箱(HMM toolbox、BNT、PMTK3)是该领域的热门选择。

以下是我过去使用 Kevin Murphy 的工具箱发布的一些答案:

• Issue in training hidden markov model and usage for classification
• Simple example/use-case for a BNT gaussian_CPD

以上答案与您在这里尝试做的有些不同，但这是一个很好的起点。