HMM-前向后向算法理解与实现（python）

HMM-前向后向算法理解与实现（python）

HMM-维特比算法理解与实现（python）

基本要素
HMM三大问题
概率计算问题

基本要素

状态 $N$个
状态序列 $S = s_1,s_2,...$
观测序列 $O=O_1,O_2,...$
$\lambda(A,B,\pi)$
- 状态转移概率 $A = \{a_{ij}\}$
- 发射概率 $B = \{b_{ik}\}$
- 初始概率分布 $\pi = \{\pi_i\}$
观测序列生成过程
- 初始状态
- 选择观测
- 状态转移
- 返回step2

HMM三大问题

概率计算问题（评估问题）

给定观测序列 $O=O_1O_2...O_T$，模型 $\lambda (A,B,\pi)$，计算 $P(O|\lambda)$，即计算观测序列的概率

解码问题

给定观测序列 $O=O_1O_2...O_T$，模型 $\lambda (A,B,\pi)$，找到对应的状态序列 $S$

学习问题

给定观测序列 $O=O_1O_2...O_T$，找到模型参数 $\lambda (A,B,\pi)$，以最大化 $P(O|\lambda)$，

概率计算问题

给定模型 $\lambda$ 和观测序列 $O$，如何计算$P(O| \lambda)$？

暴力枚举每一个可能的状态序列 $S$

对每一个给定的状态序列

\[P(O|S,\lambda) = \prod^T_{t=1} P(O_t|s_t,\lambda) =\prod^T_{t=1} b_{s_tO_t}
\]
一个状态序列的产生概率

\[P(S|\lambda) = P(s_1)\prod^T_{t=2}P(s_t|s_{t-1})=\pi_1\prod^T_{t=2}a_{s_{t-1}s_t}
\]
联合概率

\[P(O,S|\lambda) = P(S|\lambda)P(O|S,\lambda) =\pi_1\prod^T_{t=2}a_{s_{t-1}s_t}\prod^T_{t=1} b_{s_tO_t}
\]
考虑所有的状态序列

\[P(O|\lambda)=\sum_S\pi_1b_{s_1O_1}\prod^T_{t=2}a_{s_{t-1}s_t}b_{s_tO_t}
\]

$O$ 可能由任意一个状态得到，所以需要将每个状态的可能性相加。

这样做什么问题？时间复杂度高达 $O(2TN^T)$。每个序列需要计算 $2T$ 次，一共 $N^T$ 个序列。

前向算法

在时刻 $t$，状态为 $i$ 时，前面的时刻观测到 $O_1,O_2, ..., O_t$ 的概率，记为 $\alpha _i(t)$ ：

\[\alpha_{i}(t)=P\left(O_{1}, O_{2}, \ldots O_{t}, s_{t}=i | \lambda\right)
\]

当 $t=1$ 时，输出为 $O_1$，假设有三个状态，$O_1$ 可能是任意一个状态发出，即

\[P(O_1|\lambda) = \pi_1b_1(O_1)+\pi_2b_2(O_1)+\pi_2b_3(O_1) = \alpha_1(1)+\alpha_2(1)+\alpha_3(1)
\]

当 $t=2$ 时，输出为 $O_1O_2$ ，$O_2$ 可能由任一个状态发出，同时产生 $O_2$ 对应的状态可以由 $t=1$ 时刻任意一个状态转移得到。假设 $O_2$ 由状态 1 发出，如下图

\[P(O_1O_2,s_2=q_1|\lambda) = \pi_1b_1(O_1)a_{11}b_1(O_2)+\pi_2b_2(O_1)a_{21}b_1(O_2)+\pi_2b_3(O_1)a_{31}b_1(O_2) \\
=\bold{\alpha_1(1)}a_{11}b_1(O_2)+\bold{\alpha_2(1)}a_{21}b_1(O_2)+\bold{\alpha_3(1)}a_{31}b_1(O_2) = \bold{\alpha_1(2)}
\]

同理可得 $\alpha_2(2),\alpha_3(2)$

\[\bold{\alpha_2(2)} = P(O_1O_2,s_2=q_2|\lambda)
=\bold{\alpha_1(1)}a_{12}b_2(O_2)+\bold{\alpha_2(1)}a_{22}b_2(O_2)+\bold{\alpha_3(1)}a_{32}b_2(O_2)
\\
\bold{\alpha_3(2)} = P(O_1O_2,s_2=q_3|\lambda)
=\bold{\alpha_1(1)}a_{13}b_3(O_2)+\bold{\alpha_2(1)}a_{23}b_3(O_2)+\bold{\alpha_3(1)}a_{33}b_3(O_2)
\]

所以

\[P(O_1O_2|\lambda) =P(O_1O_2,s_2=q_1|\lambda)+ P(O_1O_2,s_2=q_2|\lambda) +P(O_1O_2,s_2=q_3|\lambda)\\
= \alpha_1(2)+\alpha_2(2)+\alpha_3(2)
\]

所以前向算法过程如下：

step1：初始化 $\alpha_i(1)= \pi_i*b_i(O_1)$

step2：计算 $\alpha_i(t) = (\sum^{N}_{j=1} \alpha_j(t-1)a_{ji})b_i(O_{t})$

step3：$P(O|\lambda) = \sum^N_{i=1}\alpha_i(T)$

相比暴力法，时间复杂度降低了吗？

当前时刻有 $N$ 个状态，每个状态可能由前一时刻 $N$ 个状态中的任意一个转移得到，所以单个时刻的时间复杂度为 $O(N^2)$,总时间复杂度为 $O(TN^2)$

代码实现

例子：

假设从三个袋子 {1,2,3}中取出 4 个球 O={red,white,red,white}，模型参数$\lambda = (A,B,\pi)$ 如下，计算序列O出现的概率

#状态 1 2 3

A = [[0.5,0.2,0.3],

	 [0.3,0.5,0.2],

	 [0.2,0.3,0.5]]

pi = [0.2,0.4,0.4]

# red white

B = [[0.5,0.5],

	 [0.4,0.6],

	 [0.7,0.3]]

step1：初始化 $\alpha_i(1)= \pi_i*b_i(O_1)$

step2：计算 $\alpha_i(t) = (\sum^{N}_{j=1} \alpha_j(t-1)a_{ji})b_i(O_{t})$

step3：$P(O|\lambda) = \sum^N_{i=1}\alpha_i( T)$

#前向算法

def hmm_forward(A,B,pi,O):

    T = len(O)

    N = len(A[0])

    #step1 初始化

    alpha = [[0]*T for _ in range(N)]

    for i in range(N):

        alpha[i][0] = pi[i]*B[i][O[0]]

    #step2 计算alpha(t)

    for t in range(1,T):

        for i in range(N):

            temp = 0

            for j in range(N):

                temp += alpha[j][t-1]*A[j][i]

            alpha[i][t] = temp*B[i][O[t]]

    #step3

    proba = 0

    for i in range(N):

        proba += alpha[i][-1]

    return proba,alpha

A = [[0.5,0.2,0.3],[0.3,0.5,0.2],[0.2,0.3,0.5]]

B = [[0.5,0.5],[0.4,0.6],[0.7,0.3]]

pi = [0.2,0.4,0.4]

O = [0,1,0,1]

hmm_forward(A,B,pi,O)  #结果为 0.06009

结果

后向算法

在时刻 $t$，状态为 $i$ 时，观测到 $O_{t+1},O_{t+2}, ..., O_T$ 的概率，记为 $\beta _i(t)$ ：

\[\beta_{i}(t)=P\left(O_{t+1},O_{t+2}, ..., O_T | s_{t}=i, \lambda\right)
\]

当 $t=T$ 时，由于 $T$ 时刻之后为空，没有观测，所以 $\beta_i(t)=1$

当 $t = T-1$ 时，观测 $O_T$ ，$O_T$ 可能由任意一个状态产生

\[\beta_i(T-1) = P(O_T|s_{t}=i,\lambda) = a_{i1}b_1(O_T)\beta_1(T)+a_{i2}b_2(O_T)\beta_2(T)+a_{i3}b_3(O_T)\beta_3(T)
\]

当 $t=1$ 时，观测为 $O_{2},O_{3}, ..., O_T$

\[\begin{aligned}
\beta_1(1)
&= P(O_{2},O_{3}, ..., O_T|s_1=1,\lambda)\\
&=a_{11}b_1(O_2)\beta_1(2)+a_{12}b_2(O_2)\beta_2(2)+a_{13}b_3(O_2)\beta_3(2)
\\
\quad
\\
\beta_2(1)
&= P(O_{2},O_{3}, ..., O_T|s_1=2,\lambda)\\
&=a_{21}b_1(O_2)\beta_1(2)+a_{22}b_2(O_2)\beta_2(2)+a_{23}b_3(O_2)\beta_3(2)
\\
\quad
\\
\beta_3(1)
&=P(O_{2},O_{3}, ..., O_T|s_1=3,\lambda)\\
&=a_{31}b_1(O_2)\beta_1(2)+a_{32}b_2(O_2)\beta_2(2)+a_{33}b_3(O_2)\beta_3(2)
\end{aligned}
\]

所以

\[P(O_{2},O_{3}, ..., O_T|\lambda) = \beta_1(1)+\beta_2(1)+\beta_3(1)
\]

后向算法过程如下：

step1：初始化 $\beta_i(T)=1$

step2：计算 $\beta_i(t) = \sum^N_{j=1}a_{ij}b_j(O_{t+1})\beta_j(t+1)$

step3：$P(O|\lambda) = \sum^N_{i=1}\pi_ib_i(O_1)\beta_i(1)$

时间复杂度 $O(N^2T)$

代码实现

还是上面的例子

#后向算法

def hmm_backward(A,B,pi,O):

    T = len(O)

    N = len(A[0])

    #step1 初始化

    beta = [[0]*T for _ in range(N)]

    for i in range(N):

        beta[i][-1] = 1

    #step2 计算beta(t)

    for t in reversed(range(T-1)):

        for i in range(N):

            for j in range(N):

                beta[i][t]  += A[i][j]*B[j][O[t+1]]*beta[j][t+1]

    #step3

    proba = 0

    for i in range(N):

        proba += pi[i]*B[i][O[0]]*beta[i][0]

    return proba,beta

A = [[0.5,0.2,0.3],[0.3,0.5,0.2],[0.2,0.3,0.5]]

B = [[0.5,0.5],[0.4,0.6],[0.7,0.3]]

pi = [0.2,0.4,0.4]

O = [0,1,0,1]

hmm_backward(A,B,pi,O)  #结果为 0.06009

结果

前向-后向算法

回顾前向、后向变量：

$a_i(t)$ 时刻 $t$，状态为 $i$ ，观测序列为 $O_1,O_2, ..., O_t$ 的概率
$\beta_i(t)$ 时刻 $t$，状态为 $i$ ，观测序列为 $O_{t+1},O_{t+2}, ..., O_T$ 的概率

\[\begin{aligned}
P(O,s_t=i|\lambda)
&= P(O_1,O_2, ..., O_T,s_t=i|\lambda)\\
&= P(O_1,O_2, ..., O_t,s_t=i,O_{t+1},O_{t+2}, ..., O_T|\lambda)\\
&= P(O_1,O_2, ..., O_t,s_t=i|\lambda)*P(O_{t+1},O_{t+2}, ..., O_T|O_1,O_2, ..., O_t,s_t=i,\lambda) \\
&= P(O_1,O_2, ..., O_t,s_t=i|\lambda)*P(O_{t+1},O_{t+2}, ..., O_T,s_t=i|\lambda)\\
&= a_i(t)*\beta_i(t)
\end{aligned}
\]

即在给定的状态序列中，$t$ 时刻状态为 $i$ 的概率。

使用前后向算法可以计算隐状态，记 $\gamma_i(t) = P(s_t=i|O,\lambda)$ 表示时刻 $t$ 位于隐状态 $i$ 的概率

\[P\left(s_{t}=i, O | \lambda\right)=\alpha_{i}(t) \beta_{i}(t)
\]

\[\begin{aligned}
\gamma_{i}(t)
&=P\left(s_{t}={i} | O, \lambda\right)=\frac{P\left(s_{t}={i}, O | \lambda\right)}{P(O | \lambda)} \\
&=\frac{\alpha_{i}(t) \beta_{i}(t)}{P(O | \lambda)}=\frac{\alpha_{i}(t) \beta_{i}(t)}{\sum_{i=1}^{N} \alpha_{i}(t) \beta_{i}(t)}
\end{aligned}
\]

references：

[1] https://www.cs.sjsu.edu/~stamp/RUA/HMM.pdf

[2]https://www.cnblogs.com/fulcra/p/11065474.html

[3] https://www.cnblogs.com/sjjsxl/p/6285629.html

[4] https://blog.csdn.net/xueyingxue001/article/details/52396494