hmm演算法

A. hmm的無監督訓練方法是什麼演算法

通用迭代演算法

B. 畢業設計，我做語音情感識別，用matlab，在網上下載了一個用hmm演算法的程序，但是看不懂，求指教40714899

HMM中 了解那三個問題的演算法（即前向-後向演算法、Viterbi演算法和Baum-Welch演算法）就可以迎刃而解了

C. HMM 多序列訓練問題

我在多序列HMM訓練中也遇到了相同的問題， 但是不太普遍，如11個檢測序列可能其中會有3-4個左右出現概率為0的情況，個人感覺這種情況是由於訓練時閾值選取不當造成的。我在訓練時是通過每次參數刷新後計算前後兩次前向概率並求查，隨著循環的繼續，差值會繼續減小直到達到閾值時循環結束， 當閾值選取較小時（我的閾值為0.01）循環次數較多，最終得到的最優參數（A ，B，pi）中A B矩陣中會有許多0出現，而在計算前向概率時通過迭代公式計算scale[t]時但凡有一項是0得到的結果即為0。 個人感覺解決方法主要還要通過調整閾值與增加序列個數來實現。

D. 手勢識別的課題誰做過我不會用HMM演算法

我做過。那是隱馬爾科夫，在語音識別中常用，可以從中國知網下論文看

E. 如何用簡單易懂的例子解釋隱馬爾可夫模型

和HMM模型相關的演算法主要分為三類，分別解決三種問題：
1）知道骰子有幾種（隱含狀態數量），每種骰子是什麼（轉換概率），根據擲骰子擲出的結果（可見狀態鏈），我想知道每次擲出來的都是哪種骰子（隱含狀態鏈）。
這個問題呢，在語音識別領域呢，叫做解碼問題。這個問題其實有兩種解法，會給出兩個不同的答案。每個答案都對，只不過這些答案的意義不一樣。第一種解法求最大似然狀態路徑，說通俗點呢，就是我求一串骰子序列，這串骰子序列產生觀測結果的概率最大。第二種解法呢，就不是求一組骰子序列了，而是求每次擲出的骰子分別是某種骰子的概率。比如說我看到結果後，我可以求得第一次擲骰子是D4的概率是0.5，D6的概率是0.3，D8的概率是0.2.第一種解法我會在下面說到，但是第二種解法我就不寫在這里了，如果大家有興趣，我們另開一個問題繼續寫吧。
2）還是知道骰子有幾種（隱含狀態數量），每種骰子是什麼（轉換概率），根據擲骰子擲出的結果（可見狀態鏈），我想知道擲出這個結果的概率。
看似這個問題意義不大，因為你擲出來的結果很多時候都對應了一個比較大的概率。問這個問題的目的呢，其實是檢測觀察到的結果和已知的模型是否吻合。如果很多次結果都對應了比較小的概率，那麼就說明我們已知的模型很有可能是錯的，有人偷偷把我們的骰子給換了。
3）知道骰子有幾種（隱含狀態數量），不知道每種骰子是什麼（轉換概率），觀測到很多次擲骰子的結果（可見狀態鏈），我想反推出每種骰子是什麼（轉換概率）。
這個問題很重要，因為這是最常見的情況。很多時候我們只有可見結果，不知道HMM模型里的參數，我們需要從可見結果估計出這些參數，這是建模的一個必要步驟。
問題闡述完了，下面就開始說解法。（0號問題在上面沒有提，只是作為解決上述問題的一個輔助）

F. HMM工具箱有多觀測樣本序列問題的訓練演算法程序嗎注意是多觀測樣本序列，不是多樣本序列。

我最近也在找這個，這個叫MOHMM（multiple-observations HMMs），如果找到我發你郵箱。

G. 關於語音識別的HMM和MFCC的關系

MFCC用於HMM的訓練（和識別）過程中，因為HMM中針對每一幀語音（或者每一個音素）有特徵向量，而這里採用什麼特徵向量根據具體情況決定，可以選用MFCC

H. HMM 前向後向演算法是怎麼回事啊，最好帶個例子。

前向就是把當前狀態之前的可觀測序列搞成一個概率，後向就是把當前狀態之後的搞成一個概率，這樣HMM參數就可以通過迭代的方法求解了，有個叫An introction to Hidden Markov Model的文章不錯，可以看下

I. 非特定人語音識別 使用em演算法 進行學習時 ， 得到的4個矩陣與hmm模型的三個數據有什麼關系

不太清楚，應該是隱狀態的轉移概率吧