package hmm.model;
import hmm.bean.HMMHelper;
import util.TCMMath;
/**
* 【改進後的前向算法】
* 【帶比例因子修正的前向算法 :計算觀察序列的概率 】
* 【注意】 改進後,就沒必要使用後向算法來求觀測序列概率了,直接利用中間比例因子scale就可以求得,在改進的前向算法中以寫logProb()函數
*
* 前向算法:
* 目的:
* 1、先計算前向變量矩陣
* 2、再用前向變量矩陣 來 計算一個觀測序列的概率
*/
public class ForwardWithScale extends HMM{
public int[] O;//觀測序列observe//如yellow red blue yellow green 這些在enum Color {red,yellow,blue,green }的索引位置
public double[][] alpha; //前向變量矩陣
public double[] scale;//用於修正的比例因子——從帶比例因子修正後的前向算法計算
/**
* flag 表示 A和B是否是自然對數化(lnX) true: A和B自然對數化後傳進來 false: A和B未自然對數化
*/
public ForwardWithScale(double[][] A, double[][] B, double[] PI, int[] O, boolean flag){
super(A, B, PI, flag);
this.O=O;
}
public ForwardWithScale(HMM hmm, int[] O){
super(hmm);
this.O=O;
}
/**
* 【計算前向變量矩陣】
* 在時間 t 的條件下,hmm輸出觀察序列O(1)O(2)...O(t)且該時間t下的隱藏狀態爲s_i(第i個隱藏狀態,共N種隱藏狀態)的概率
* alpha[ t ][ i ] = alpha_t( i ) = log(P(O(1)O(2)...O(t), q_t=s_i | λ))
*/
public void CalculateForeMatrix(){
int T = O.length;
alpha = new double[ T ][ N ];//每一時刻(每行)上 可能出現的多個狀態的發生的前向變量概率
scale = new double[ T ];//【比例因子】
scale[ 0 ] =Double.NEGATIVE_INFINITY;
//1、初始化,計算初始時刻(直覺上的第1時刻)所有狀態的局部概率
for (int i = 0; i < N ; i++){
alpha[ 0 ][ i ] = logPI[ i ] + logB[ i ][ O[ 0 ] ];
/*******************增加部分*****************/
scale[ 0 ] = TCMMath.logplus( scale[ 0 ] , alpha[ 0 ][ i ]);
}
/*******************增加部分*****************/
for(int i=0; i< N; i++){//利用比例因子歸一化
alpha[ 0 ][ i ] -= scale [ 0 ];
}
//2、歸納,遞歸計算每個時間點的局部概率
for (int t = 1; t < T; t++){//從(直覺上的第2時刻)即t=1(下標從0開始)觀測值算起——第時間t下開始循環
scale[ t ] = Double.NEGATIVE_INFINITY;
for (int j = 0; j < N; j++) {//
double sum = Double.NEGATIVE_INFINITY; // = log(0)
for (int i = 0; i < N; i++){//到第 i 種隱狀態下的累計概率
//sum+=alpha[ t-1 ][ i ] * A[ i ] [ j ]
sum = TCMMath.logplus( sum, alpha[t - 1][ i ] + logA[ i ][ j ]);
}
//alpha[ t ][ j ] = 【t-1時刻 所有 隱藏狀態 i 】到達 【t時刻 隱藏狀態 j】並【t時刻顯示出O( t )】的前向變量概率
//alpha[ t ] [ j ] = ∑ ( alpha[ t-1 ][ i ] * A[ i ] [ j ] ) *B[ j ] [ O(t) ] 求和符號表示 1<=i <=N
alpha[ t ][ j ] = logB[ j ][ O[ t ] ] + sum;//在 【t 時刻】 下 輸出觀察序列 O1O2……Ot(已知觀測序列的局部) 且位於第 j 種隱藏狀態發生的概率
/*******************增加部分*****************/
scale[ t ] = TCMMath.logplus( scale[ t ] , alpha[ t ][ j ]);//比例因子
}
/*******************增加部分*****************/
for (int j = 0; j < N; j++) {//利用比例因子歸一化
alpha[ t ][ j ] -= scale [ t ];
}
}
}
/**
* 【計算觀測序列的概率】——返回的是自然對數
*/
public double logProb() {
//3、終止,求概率就直接使用比例因子求得
int T = O.length;
double sum = 0; // = log(1)
for(int t=0; t< T; t++){
sum += scale[ t ];
}
return sum;
}
/**
* 【計算觀測序列的概率】——前提是先計算前向變量矩陣
* P( O | μ ) = ∑alpha_T( i ) (求和上界N,求和下界i=1)
* @return 返回的結果是概率的自然對數
* 計算 t=T 時刻下輸出觀察序列 O0……OT(已經觀測序列的局部)且位於第 T 狀態下發生的概率
public double logProb() {
//3.終止,觀察序列的概率等於最終時刻( T )所有局部概率之和
double sum = Double.NEGATIVE_INFINITY; // = log(0)
int T = O.length;
for (int i = 0; i < N; i++){
sum = TCMMath.logplus(sum, alpha[ T-1 ][ i ]);//下標從0開始
}
return sum;
}
*/
/**
* 打印前向變量矩陣
*/
public void print() {
for (int j = 0; j < N; j++) {
for (int i = 0; i < alpha.length; i++){
System.out.print(HMMHelper.fmtlog(alpha[ i ][ j ]));
}
System.out.println();
}
}
Reference
宗成慶.統計自然語言處理