连续隐马尔可夫离散隐马尔科夫模型的MATLAB实现​

基于MATLAB的连续隐马尔可夫模型（CHMM）和离散隐马尔可夫模型（DHMM）的实现示例，包含模型训练和推理过程。代码分为两部分：​离散HMM和连续HMM​（使用高斯发射概率）。

1. 离散隐马尔可夫模型（DHMM）实现​

1.1 模型参数与数据准备​

clc; clear; close all;

%% 参数设置
numStates = 3;           % 状态数
numSymbols = 5;          % 观测符号数（离散符号）
transMat = [0.7 0.2 0.1;  % 状态转移矩阵
            0.1 0.6 0.3;
            0.2 0.3 0.5];
emisMat = rand(numStates, numSymbols); % 发射概率矩阵（需归一化）
emisMat = emisMat ./ sum(emisMat, 2); 

% 生成模拟观测序列
seqLen = 100;            % 序列长度
[obsSeq, trueStates] = hmmgenerate(seqLen, transMat, emisMat);

1.2 模型训练（Baum-Welch算法）​​

% 使用MATLAB内置函数训练（需离散观测）
[estTrans, estEmis] = hmmtrain(obsSeq, transMat, emisMat, 'Maxiterations', 100);

% 自定义Baum-Welch实现（可选）
% [estTrans, estEmis] = customBaumWelch(obsSeq, numStates, numSymbols);

1.3 解码与评估​

% Viterbi解码
[~, decodedStates] = hmmviterbi(obsSeq, estTrans, estEmis);

% 计算准确率
accuracy = sum(decodedStates == trueStates) / numel(trueStates);
fprintf('解码准确率: %.2f%%\n', accuracy*100);

2. 连续隐马尔可夫模型（CHMM）实现​

2.1 模型参数与数据准备​

%% 参数设置（使用单高斯发射概率）
numStates = 3;           % 状态数
numMixComponents = 1;    % 每个状态的高斯分量数（此处为单高斯）
mu = [1.0, 2.0, 3.0];    % 各状态均值（假设一维观测）
sigma = [0.5, 0.8, 1.2]; % 各状态标准差

% 生成模拟观测序列
trueStates = randsample(numStates, 100, true, [0.3 0.4 0.3]); % 状态序列
obsSeq = zeros(1, 100);
for t = 1:100
    obsSeq(t) = normrnd(mu(trueStates(t)), sigma(trueStates(t)));
end

2.2 前向-后向算法（Baum-Welch）​​

%% 初始化参数
initTrans = [0.8 0.1 0.1; 0.1 0.7 0.2; 0.2 0.2 0.6]; % 初始转移矩阵
initMu = mu;          % 初始均值
initSigma = sigma;    % 初始标准差

% 定义发射概率函数（单高斯）
emissionProb = @(state, obs) normpdf(obs, initMu(state), initSigma(state));

% 前向算法
function alpha = forward(obs, trans, emission)
    T = length(obs);
    numStates = size(trans, 1);
    alpha = zeros(T, numStates);
    alpha(1, :) = emission(:, obs(1))' * (1/numStates); % 均匀初始状态
    for t = 2:T
        for j = 1:numStates
            alpha(t, j) = emission(j, obs(t)) * trans(:, j)' * alpha(t-1, :);
        end
        alpha(t, :) = alpha(t, :) / sum(alpha(t, :)); % 归一化
    end
end

% 后向算法（略，需补充）

2.3 参数更新（EM算法）​​

% E步：计算状态后验概率
gamma = zeros(length(obsSeq), numStates);
for t = 1:length(obsSeq)
    gamma(t, :) = forward_backward(obsSeq(t), initTrans, initMu, initSigma);
end

% M步：更新转移矩阵和发射参数
newTrans = gamma(1:end-1, :)' * gamma(2:end, :) ./ sum(gamma(1:end-1, :)' * gamma(2:end, :), 2);
newMu = (gamma' * obsSeq) ./ sum(gamma, 1)';
newSigma = sqrt((gamma' * (obsSeq - newMu).^2) ./ sum(gamma, 1)');

3. 模型对比与可视化​

3.1 状态序列解码​

% CHMM解码（Viterbi算法）
[~, decodedStates] = viterbi_chmm(obsSeq, newTrans, newMu, newSigma);

% 绘制真实状态与解码状态
figure;
plot(trueStates, 'b', 'LineWidth', 1.5); hold on;
plot(decodedStates, 'r--', 'LineWidth', 1.5);
legend('True States', 'Decoded States');
title('CHMM状态解码结果');

3.2 发射概率分布可视化​

x = linspace(min(obsSeq), max(obsSeq), 100);
figure;
hold on;
for i = 1:numStates
    plot(x, normpdf(x, newMu(i), newSigma(i)), 'DisplayName', ['State ' num2str(i)]);
end
hold off;
xlabel('Observation');
ylabel('Probability Density');
title('CHMM发射概率分布');
legend show;

4. 关键函数说明​

4.1 前向-后向算法（简化版）​​

function [alpha, beta, gamma] = forward_backward(obs, trans, mu, sigma)
    T = length(obs);
    numStates = size(trans, 1);

    % 前向
    alpha = zeros(T, numStates);
    alpha(1, :) = normpdf(obs(1), mu, sigma) / numStates;
    for t = 2:T
        for j = 1:numStates
            alpha(t, j) = normpdf(obs(t), mu(j), sigma(j)) * trans(:, j)' * alpha(t-1, :);
        end
        alpha(t, :) = alpha(t, :) / sum(alpha(t, :));
    end

    % 后向
    beta = zeros(T, numStates);
    beta(T, :) = 1;
    for t = T-1:-1:1
        for i = 1:numStates
            beta(t, i) = sum(beta(t+1, :) .* normpdf(obs(t+1), mu, sigma) .* trans(i, :));
        end
        beta(t, :) = beta(t, :) / sum(beta(t, :));
    end

    % 状态后验概率
    gamma = alpha .* beta;
    gamma = gamma ./ sum(gamma, 2);
end

参考代码 隐马尔可夫连续和离散情况下的MATLAB实现 www.youwenfan.com/contentalh/63729.html

5. 改进方向​

1. 高斯混合模型（GMM）​​：扩展发射概率为GMM以提升连续HMM的表达能力。
2. 加速算法​：使用对角协方差或降维技术减少计算复杂度。
3. 工具箱支持​：利用MATLAB的hmmtrain（仅限离散）或第三方库（如HTK）。

6. 注意事项​

1. 数据预处理​：连续观测需标准化（如归一化到均值为0，方差为1）。
2. 初始化敏感性​：EM算法对初始值敏感，建议多次随机初始化。
3. 数值稳定性​：前向算法中需及时归一化避免下溢。