基于hmmlearn构建带吸收态的高斯HMM时如何指定吸收态的标识分布
带吸收态高斯HMM的实现问题排查
你当前的实现存在几个会直接拉低训练效果的关键设计漏洞,即使手动初始化了转移矩阵和吸收态参数,这些问题也会让训练结果完全偏离预期:
- 吸收态均值的设置逻辑和模型的运行规则不匹配。你把观测范围外的999设为吸收态的均值,这一完全脱离实际观测分布的设置,会导致该状态的高斯发射分布在所有实际观测值(20-100范围)上的概率密度趋近于0。前向算法计算路径权重时,所有从普通状态进入吸收态的路径,都会因为极低的发射概率被赋予可忽略的权重,最终状态4在所有训练时间步的后验概率都接近0,等于这个状态根本不会被任何训练路径访问,完全发挥不了吸收态的作用。
- 模型参数的训练开关设置不当。你设置的
init_params="sc"仅保留了初始分布、协方差的更新权限,但没有完全固定所有需要锁定的参数,训练过程中哪怕你提前给转移矩阵赋了值,只要进入吸收态的路径似然极低,算法就会不断压低普通状态向吸收态转移的概率,最后把原本设计为自转移为1的吸收态行改成非吸收的随机值,彻底丢失吸收特性。同时你手动初始化的均值,也会因为协方差的持续更新,逐渐被拉向实际样本的分布,没法保持你设计的标识性。 - 代码存在拼写错误。
model.fit (X_train, lenghts)里的长度参数名拼错为lenghts,会直接导致fit方法运行报错。
修正方案
调整核心逻辑匹配吸收态的设计目标:
- 放弃用超出观测范围的均值做吸收态标识的思路,改为在观测范围边界设置吸收态的均值,搭配足够小的固定协方差,保证该状态和其他普通状态在发射分布上完全可区分,同时不会让发射概率坍缩到趋近于0。
- 把所有需要固定的参数(转移矩阵、各状态均值、协方差)的更新权限关掉,只保留需要从数据学习的部分;如果希望普通状态的转移概率可以从数据学习,就在每轮训练迭代结束后,通过钩子函数强制把吸收态对应的转移行重置为
[0, 0, 0, 1],保证自转移为1的吸收特性不被破坏。 - 修正长度参数的拼写错误,避免运行报错。
调整后的可运行参考代码:
model = hmm.GaussianHMM( n_components=4, n_iter=5000, tol=1e-8, covariance_type="diag", init_params="s" # 仅训练初始分布,其余参数全部固定 ) # 吸收态均值改用观测边界值,避免发射概率过低 model.means_ = np.array([[70, 100], [70, 50], [50,20], [20, 20]]) # 给所有状态设置合理对角协方差,吸收态协方差设小值强化区分度 model.covars_ = np.array([[10, 10], [10, 10], [10, 10], [1, 1]]) # 固定吸收态转移规则 model.transmat_ = np.array([ [0.6, 0.2, 0.1, 0.1], [0.1, 0.6, 0.1, 0.2], [0, 0.2, 0.5, 0.3], [0, 0, 0, 1] ]) # 修正参数拼写 model.fit(X_train, lengths)
内容的提问来源于stack exchange,提问作者Lorenzo B
相关产品推荐
相关产品推荐

