r - 边界处估计的概率是什么意思？使用 depmixS4 包的 R 中的隐马尔可夫模型

Question

我是隐马尔可夫模型的新手，我目前正在尝试使用连续 HMM 来预测 R 中 UCI 人类事件识别数据集(由加速度计和陀螺仪值组成)的 6 个事件。我有训练数据和测试数据, 总共有 561 个特征。在阅读了几篇论文后，我制作了一个 6 状态 HMM 并使用我拥有的训练数据对其进行训练，假设状态代表一个要分类的事件。之后，我使用 viterbi 来预测 HMM 在应用于测试数据时最可能的序列。使用 HMM 的 depmixS4 包，我尝试输入这些代码:

hmm <- depmix(activity~1,nstates=6,data=train[,-562],family=multinomial("identity"))
fhmm <- fit(hmm)
hmm2 <- depmix(activity~1,nstates=6,data=test[,-562],family=multinomial("identity"))
hmm2 <- setpars(hmm2, getpars(fhmm))
viterbi(hmm2)

我惊讶地发现，当使用所有 561 个特征时，这些代码产生了 100% 的准确率(我使用 Jahmm 只获得了大约 80% 的准确率，但后来我无法使用它的所有 561 个特征，因为它挂起)。我其实是在联系depmixS4的开发者，他确认代码没问题，还说，“注意下面的拟合模型其实是观察到的或者普通的马尔可夫模型而不是隐马尔可夫模型，因为所有响应概率是在边界处估计的。”他所说的“在边界处估计响应概率”是什么意思？我尝试在网上搜索它的含义，但一无所获。

使用 viterbi 不就意味着它确实是一个隐马尔可夫模型吗？我做错了吗？

请注意，“viterbi()”函数在包中仍然是一个未发布的函数(开发人员好心地告诉我它，以便能够尝试我的想法)。

Answer 1

我会尽力解释。在马尔可夫模型中，状态与观察到的序列之间存在对应关系(一对一的对应关系)。在隐马尔可夫模型中没有对应关系，也有一个或多个隐藏状态，不能通过对应序列来判断系统的状态。

Viterbi 用于在 HMM 中找到状态的最可能序列。为什么包的作者使用维特比？我不确定，也许他只是想证明维特比可以用于可观察状态。

希望这对您有所帮助。

问候。