1 package jxutcm.edu.cn.hmm.model;
2
3 import jxutcm.edu.cn.hmm.bean.HMMHelper;
4
5 /**
6 * 实现了 HMM(隐马尔可夫模型, Hidden Markov Models)的 前向(Forward), 后向(Backward),
7 * 前向-后向(Baum-Welch)算法 这里均计算对数概率(将乘法转换为加法)
8 * HMM五元素:λ=(N, M, A, B, pi)
9 * N:隐藏状态数 hidden states
10 * M:观测状态数 observed states
11 * A: 状态转移矩阵 transition matrix
12 * B:发射矩阵 emission matrix
13 * pi:初始隐状态向量 initial state vector
14 * P(q_t|q_t-1)
15 * 隐藏状态: q1 ——>q2 ——> ……——>q_t-1——>q_t——>——>q_T
16 * | | | | |
17 * | | | | |
18 * 显示状态:O1 O2 O_t-1 O_t O_T
19 * 隐数目——N个;显数目——M个
20 */
21 public class HMM {
22 /**
23 * 隐藏状态名称列表——在获取最优隐藏状态序列时需要
24 * 如enum Box {one, two, three}; // 隐藏状态(箱子编号)
25 */
26 public String[] state;
27 /**
28 * 观察状态名称列表——在根据观测索引获取获取观测序列时需要
29 * enum Color {red, yellow, blue, green}; // 观察状态(观测到的颜色值)
30 */
31 public String[] syms;
32
33 public int N;
34 /**
35 * 观测状态数 observed states
36 * 观测状态名称叫syms
37 */
38 public int M;
39 /**
40 * 隐藏状态转移矩阵
41 * logA[ i ][ j ] = log(P( i -> j )) 表示从i状态转移到 j 状态的概率——取自然对数
42 */
43 public double[][] logA;
44 /**
45 * 发射矩阵(混淆矩阵)
46 * logB[ i ][Ot] = log(P(emit Ot in state i)) 表示状态 i 下发射出 Ot 的概率——Ot为第t时刻的显示序列单号
47 */
48 public double[][] logB;
49 /**
50 * 初始状态概率分布——每个隐藏状态发生的概率
51 */
52 public double[] logPI;
53
54 /**
55 * 观察到的序列
56 */
57 //public int[] O;//如yellow red blue yellow green 这些在enum Color {red,yellow,blue,green }的索引位置
58
59 public HMM(){}
60
61 public HMM(int N, int M){
62 this.N=N;
63 this.M=M;
64 this.logA=new double[N][N];
65 this.logB=new double[N][M];
66 this.logPI=new double[N];
67 for(int i=0; i<N; i++){
68 for(int j=0; j<N; j++){
69 this.logA[ i ][ j ] = Double.NEGATIVE_INFINITY;
70 }
71 for(int j=0; j<M; j++){
72 this.logB[ i ][ j ]=Double.NEGATIVE_INFINITY;
73 }
74 this.logPI[ i ] = Double.NEGATIVE_INFINITY;
75 }
76 }
77
78 /**
79 * (已经有具体HMM的各个参数情况下调用)
80 * @param state隐藏状态名称
81 * enum Box {one,two,three }
82 * @param syms 观测状态名称
83 * enum Color {red,yellow,blue,green}
84 * @param A
85 * 隐藏状态的转移矩阵
86 * 1 2 3
87 * one two three
88 * one {0.500, 0.375, 0.125}
89 * two {0.250, 0.125, 0.625},
90 * three{0.250, 0.375, 0.375}
91 * @param B 从隐藏状态——观察状态的发射矩阵(混淆矩阵)
92 * 0 1 2 3
93 * red yellow blue green
94 * one {0.60, 0.20, 0.15, 0.05},
95 * two {0.25, 0.25, 0.25, 0.25},
96 * three {0.05, 0.10, 0.35, 0.50}
97 */
98 public HMM(double[][] A, double[][] B, double[] PI){
99 this.N=A.length;
100 this.M=B[0].length;
101 this.logA=new double[N][N];
102 this.logB=new double[N][M];
103 this.logPI=new double[N];
104 for(int i=0; i<N; i++){
105 for(int j=0; j<N; j++){
106 this.logA[ i ][ j ] = Math.log( A[ i ][ j ] );
107 }
108 for(int j=0; j<M; j++){
109 this.logB[ i ][ j ]=Math.log( B[ i ][ j ] );
110 }
111 this.logPI[ i ] = Math.log( PI[ i ] );
112 }
113 }
114
115 /**
116 * 打印转移矩阵
117 */
118 public void printA() {
119 System.out.println("转移矩阵:");
120 for (int i = 1; i < N; i++) {
121 for (int j = 1; j < N; j++){
122 System.out.print(HMMHelper.fmtlog(logA[i][j]));
123 }
124 System.out.println();
125 }
126 }
127
128 /**
129 * 打印发射矩阵
130 */
131 public void printB() {
132 System.out.println("发射矩阵:");
133 for (int i = 1; i < N; i++) {
134 for (int j = 1; j < N; j++){
135 System.out.print(HMMHelper.fmtlog(logB[i][j]));
136 }
137 System.out.println();
138 }
139 }
140
141
142 }