next up previous
次へ: 状態遷移確率 の再計算 上へ: Baum-Welch アルゴリズム 戻る: Backword アルゴリズム


$ \Gamma_t (i,j) $ の計算

Baum-Welch 学習のパラメータの再推定にはまず始めに $ \Gamma_t (i,j) $ の計算 をおこなう.これは,時刻$ t$ において$ i$ から$ j$ に遷移する確率である.この 計算がBaum-Welchアルゴリズムの基本になる.この値は, ForwardとBackword の値を利用して計算する. $ \Gamma_t (i,j) $ の計算は,期待値ステップにな る.

$\displaystyle \Gamma_t (i,j)= \frac {\alpha_t (i) a_{i,j} b_i (O_t) \beta_{t+1} (j)}
{likelihood} $

$\displaystyle likelihood = 尤度 = \alpha_4 (3) $

$ \Gamma_t (i,j) $ の計算式を以下に示す.

$ \Gamma_0 (0,0) = \frac {\alpha_0 (0) a_{0,0} b_0 (O_0) \beta_{1} (0)} {likelih...
...cm} = \frac {1.0 \times 0.7 \times 0.7 \times 0.018144} {0.01348704} = 0.65919 $

$ \Gamma_0 (0,1) = \frac {\alpha_0 (0) a_{0,1} b_0 (O_0) \beta_{1} (1)} {likelih...
...cm} = \frac {1.0 \times 0.3 \times 0.7 \times 0.021888} {0.01348704} = 0.34081 $

$ \Gamma_1 (0,1) = \frac {\alpha_1 (0) a_{0,1} b_0 (O_1) \beta_{2} (1)} {likelih...
...4cm} = \frac {0.49 \times 0.3 \times 0.7 \times 0.0864} {0.01348704} = 0.65919 $

$ \Gamma_1 (1,1) = \frac {\alpha_1 (1) a_{1,1} b_1 (O_1) \beta_{2} (1)} {likelih...
...4cm} = \frac {0.21 \times 0.6 \times 0.4 \times 0.0864} {0.01348704} = 0.32287 $

$ \Gamma_1 (1,2) = \frac {\alpha_1 (1) a_{1,2} b_1 (O_1) \beta_{2} (2)} {likelih...
...4cm} = \frac {0.21 \times 0.4 \times 0.4 \times 0.0072} {0.01348704} = 0.01794 $

$ \Gamma_2 (1,2) = \frac {\alpha_2 (1) a_{1,2} b_1 (O_2) \beta_{3} (2)} {likelih...
...4cm} = \frac {0.1533 \times 0.4 \times 0.3 \times 0.72} {0.01348704} = 0.98206 $

$ \Gamma_2 (2,2) = \frac {\alpha_2 (2) a_{2,2} b_2 (O_2) \beta_{3} (2)} {likelih...
...4cm} = \frac {0.0336 \times 0.1 \times 0.1 \times 0.72} {0.01348704} = 0.01794 $

$ \Gamma_3 (2,3) = \frac {\alpha_3 (2) a_{2,3} b_2 (O_3) \beta_{4} (3)} {likelih...
...{1.4cm} = \frac {0.018732 \times 0.9 \times 0.8 \times 1.0} {0.01348704} = 1.0 $

なお,以下のように正規化されることに注意してもらいたい.

$ \Gamma_0 (0,0) +\Gamma_0 (0,1) = 1.0$

$ \Gamma_1 (0,1) +\Gamma_1 (1,1) +\Gamma_1 (1,2) = 1.0$

$ \Gamma_2 (1,2) +\Gamma_2 (2,2) = 1.0$

$ \Gamma_3 (2,3) = 1.0$

$ \Gamma_t (i,j) $ は,時刻$ t$ において状態$ i$ から状態$ j$ に遷移する確率であ る.そのためグリッドからグリッドの遷移において, $ \Gamma_t (i,j) $ の値を示す と,Baum-Welchアルゴリズムは直感的に理解しやすい. 図 11 $ \Gamma_t (i,j) $ の値を示す.

図: $ \Gamma_t (i,j) $ の表現
\includegraphics[scale=0.35]{figure/gamma.eps}



Jin'ichi Murakami 平成22年9月2日