Я пытаюсь использовать скрытую марковскую модель (HMM) для задачи, где у меня есть M различных наблюдаемых переменных (Yti) и одна скрытая переменная (Xt) в каждый момент времени t. Для ясности предположим, что все наблюдаемые переменные (Yti) категоричны, где каждый Yti передает различную информацию и как таковая может иметь разные мощности. Иллюстративный пример приведен на рисунке ниже, где M = 3.
Моя цель - обучить переход, эмиссию и предыдущие вероятности HMM, используя алгоритм Баума-Уэлша, из моих наблюдаемых переменных последовательностей (Yti). Пусть, скажем, Xt изначально будет иметь 2 скрытых состояния.
Я прочитал несколько руководств (включая знаменитую бумагу Рабинера) и просмотрел коды нескольких пакетов программного обеспечения HMM, а именно " HMM Toolbox в MatLab" и " пакет hmmpytk в Python. В целом, я сделал обширный веб-поиск, и все ресурсы, которые я мог найти, охватывают только случай, когда в каждый момент времени имеется только одна наблюдаемая переменная (M = 1). Это все больше заставляет меня думать, что HMM не подходят для ситуаций с несколькими наблюдаемыми переменными.
- Можно ли моделировать проблему, изображенную на рисунке, как HMM?
- Если это так, то как можно модифицировать алгоритм Баума-Уэлша для обучения по параметрам HMM на основе вероятностей множественного наблюдения (излучения)?
- Если нет, знаете ли вы о методологии, которая более подходит для ситуации, изображенной на рисунке?
Спасибо.