网站高端网站开发流程有哪几个阶段

HMM

截图里的例子是有红蓝黑3个桶（即状态），桶里有黑白2类球（即输出）。图里画了3行，表示3个不同时刻下从桶里取球的操作，蓝色线表示上个时刻选了某个桶时，当前时刻选取某个桶的概率（即状态转移的概率），例如时刻1选了红桶，时刻2选取蓝桶的概率是0.2。方框里的2个数字表示选择黑白球的概率，例如时刻1蓝桶里选择黑球概率是0.4，选择白球概率是0.6。将上图中的状态转移概率用矩阵表示出来如下。j

状态转移矩阵中行和列表示状态之间切换的概率，例如第一行表示红桶切换到红桶、蓝桶、黑桶的概率分别是0.5、0.2、0.3。

输出概率矩阵中行表示状态（不同颜色桶），列表示输出的结果（黑白球），例如第2行表示蓝桶输出黑白球的概率分别是0.4和0.6。

输出向量表示每个时刻输出黑白球的情况，例如0表示黑球1表示白球。

状态向量表示每个时刻处于的状态（即选择的哪个颜色的桶），例如2表示黑桶，1表示蓝桶。

若已知输出向量和状态向量，则可以计算出来状态转移矩阵和输出概率矩阵。假设有1k条输出向量和状态向量，则可计算出状态转移总次数和各个状态之间相互转移的次数，从而计算出状态转移矩阵。

viterbi

viterbi要解决的问题是已知输出向量out、状态转移矩阵A和输出概率矩阵B，求状态向量​​​。

定义辅助矩阵xi和phi，其中xi的维度为（输出向量长度，状态个数），矩阵元素（i，j）表示时刻i下由j桶输出out[i]的概率。矩阵phi的维度与xi一样，记录的是最有可能的状态转移路径，矩阵元素（i，j）表示时刻i的j桶最有可能是时刻i-1的哪个桶转移过来的。

xi矩阵的第0行计算如下。

构造辅助函数，计算时刻t+1的状态a，最可能是由时刻t的哪个状态转移而来。

以此类推计算出时刻1和2的xi和phi矩阵。

利用xi矩阵最后一行以及phi矩阵就可以回溯出整个状态向量。

参考文献：

【1】纯python实现机器学习算法,非套用sk-learn,隐马尔可夫篇,维特比算法篇,HMM,viterbi,中文分词,统计学习方法,机器学习_哔哩哔哩_bilibili