隠れMarkovモデルの前向き後向き・Viterbi

離散観測記号を持つ既知の有限HMMについて観測系列の確率、平滑化事後確率、全体最尤状態系列を求める。

確率は無次元(0~1)。状態と観測記号は同じ時刻に対応し、最初の観測に初期分布を適用します。

項目を入力・選択してから「計算する」を押してください。

選択内容に応じて、残りの入力項目を案内します。

計算する内容
状態と初期確率 π必須
行状態ID初期確率 π操作
1

2列を左端の欄へタブ区切りで貼り付けられます。12行まで。

状態名は一意。初期確率の合計は1。並び順は遷移・出力表の行・列順を定めます。

遷移確率行列 A(行形式)必須
行元状態ID先状態ID遷移確率 aᵢⱼ操作
1

3列を左端の欄へタブ区切りで貼り付けられます。144行まで。

1行=遷移元→遷移先の1セル。状態数×状態数の全組合せ(確率0も明示)を入力。各遷移元の行合計は1。TSVの3列貼付けに対応。

出力確率行列 B(行形式)必須
行状態ID観測記号出力確率 bᵢ(k)操作
1

3列を左端の欄へタブ区切りで貼り付けられます。1000行まで。

1行=状態×観測記号の1セル。同じ記号集合を全状態に定義(確率0も明示)。各状態の記号別確率合計は1。

観測系列 O(時点順)必須
行観測記号操作
1

1列を左端の欄へタブ区切りで貼り付けられます。1000行まで。

1行=1時点の観測記号。出力確率表に定義した記号を時点順に入力します。重複可能。TSVの1列貼付けに対応。


計算結果

値を入力して計算してください。

お気に入り一覧

計算方法・適用範囲・出典

計算方法

α₁(j)=πⱼbⱼ(o₁)、αₜ(j)=bⱼ(oₜ)Σᵢαₜ₋₁(i)aᵢⱼ。βₜ(i)=Σⱼaᵢⱼbⱼ(oₜ₊₁)βₜ₊₁(j)、βₜₑₙd(i)=1。P(Sₜ=i|O)=αₜ(i)βₜ(i)/Σₖαₜ(k)βₜ(k)。Viterbiはlog π+log bで初期化し、maxᵢ[δₜ₋₁(i)+log aᵢⱼ]+log bⱼ(oₜ)と逆追跡で最尤経路を得ます。

観測系列の尤度・自然対数尤度、時点別状態事後確率、時点別MAP状態、Viterbi最尤経路と対数同時確率、期待状態滞在時点数。

計算例(架空の数値)

手計算例:2状態S1/S2、初期確率0.5/0.5、出力P(A|S1)=0.9、P(A|S2)=0.1。観測Aが1回ならP(A)=0.5、事後確率はS1=0.9、S2=0.1。

適用対象と限界

状態・観測記号が有限で、時刻によらない遷移/出力確率と初期分布が既知の離散時間・1次HMM。パラメータ学習、欠測観測の補間、連続値・ガウス出力、非定常遷移、部分観測MDP、将来観測予測、モデルの妥当性判定は対象外。。

採用した方式

  • 前向き後向き(対数)(categorical-hmm-forward-backward-viterbi/1.0 (2026-11-14)):対象範囲 長さ1~1000、状態1~12、離散観測、既知の行確率/適用地域 地域非依存
  • 前向き後向き(scaled)(categorical-hmm-forward-backward-viterbi/1.0 (2026-11-14)):対象範囲 倍精度の途中積が表現可能な離散HMM/適用地域 地域非依存
  • 対数Viterbi(categorical-hmm-forward-backward-viterbi/1.0 (2026-11-14)):対象範囲 全時点の同時確率を最大化する最尤状態系列/適用地域 地域非依存

方法と出典

方法:categorical-hmm-forward-backward-viterbi/1.0 (2026-11-14)。データ記録日:2026-11-14。