马尔科夫预测模型Python代码.zip

#https://github.com/hmmlearn/hmmlearn #hmm包 #来源于https://blog.csdn.net/xinfeng2005/article/details/53939192 from hmmlearn.hmm import GaussianHMM from hmmlearn.hmm import MultinomialHMM #GaussianHMM是针对观测为连续，所以观测矩阵B由各个隐藏状态对应观测状态的高斯分布概率密度函数参数来给出 #对应GMMHMM同样，而multinomialHMM是针对离散观测，B可以直接给出 ############################################博客实例####################### #观测状态是二维，而隐藏状态有4个。 #因此我们的“means”参数是4×24×2的矩阵，而“covars”参数是4×2×24×2×2的张量 import numpy as np startprob=np.array([0.6, 0.3, 0.1, 0.0]) #这里1,3之间无转移可能，对应矩阵为0？ transmat=np.array([[0.7, 0.2, 0.0, 0.1], [0.3, 0.5, 0.2, 0.0], [0.0, 0.3, 0.5, 0.2], [0.2, 0.0, 0.2, 0.6]]) #隐藏状态（component）高斯分布均值？The means of each component means=np.array([[0.0, 0.0], [0.0, 11.0], [9.0, 10.0], [11.0, -1.0]]) #隐藏状态协方差The covariance of each component covars=.5*np.tile(np.identity(2),(4,1,1)) #np.tile(x,(n,m)),将x延第一个轴复制n个出来，再延第二个轴复制m个出来。上面，为1*2*2，复制完了就是4*2*2 #np.identity(n)获取n维单位方阵，np.eye(n.m.k)获取n行m列对角元素偏移k的单位阵 # hmm=GaussianHMM(n_components=4, # 参数covariance_type，为"full":所有的μ,Σ都需要指定。取值为“spherical”则Σ的非对角线元素为0，对角线元素相同。取值为“diag”则Σ的非对角线元素为0，对角线元素可以不同，"tied"指所有的隐藏状态对应的观测状态分布使用相同的协方差矩阵Σ # covariance_type='full', # startprob_prior=1.0,#PI # transmat_prior=1.0,#状态转移A # means_prior=,#“means”用来表示各个隐藏状态对应的高斯分布期望向量μ形成的矩阵 # means_weight=, # covars_prior=,#“covars”用来表示各个隐藏状态对应的高斯分布协方差矩阵Σ形成的三维张量 # covars_weight=, # algorithm=, # ) hmm=GaussianHMM(n_components=4,covariance_type='full') #Instead of fitting it from the data, we directly set the estimated parameters, the means and covariance of the components hmm.startprob_=startprob hmm.transmat_=transmat hmm.means_=means hmm.covars_=covars ########以上，构建（训练）好了HMM模型（这里没有训练直接给定参数，需要训练则fit） #观测状态二维，使用三维观测序列，输入3*2*2张量 seen = np.array([[1.1,2.0],[-1,2.0],[3,7]]) logprob, state = hmm.decode(seen, algorithm="viterbi") print(state) #HMM问题1对数概率计算 print(hmm.score(seen))