前向算法

前向算法是用来解决解码问题的算法之一。自从语音识别技术^[1]和模式识别技术发展以来，它也越来越普遍地被用在像计算生物学^[2]这样的使用HMM的领域内。

整个算法的目标是计算联合概率分布 ${\displaystyle p(x_{t},y_{1:t})}$ 。为了方便，我们把 ${\displaystyle x(t)}$  简写做 ${\displaystyle x_{t}}$ ，将 ${\displaystyle (y(1),y(2),...,y(t))}$  简写做 ${\displaystyle y_{1:t}}$ 。直接计算${\displaystyle p(x_{t},y_{1:t})}$ 则需要计算所有状态序列 ${\displaystyle \{x_{1:t-1}\}}$  的边缘分布，而它的数量和 ${\displaystyle t}$  成指数相关。使用这一算法，我们可以利用HMM的条件独立性质，递归地进行计算。

我们令

${\displaystyle \alpha _{t}(x_{t})=p(x_{t},y_{1:t})=\sum _{x_{t-1}}p(x_{t},x_{t-1},y_{1:t})}$ .

利用链式法则来展开${\displaystyle p(x_{t},x_{t-1},y_{1:t})}$ ，我们可以得到

${\displaystyle \alpha _{t}(x_{t})=\sum _{x_{t-1}}p(y_{t}|x_{t},x_{t-1},y_{1:t-1})p(x_{t}|x_{t-1},y_{1:t-1})p(x_{t-1},y_{1:t-1})}$ .

由于 ${\displaystyle y_{t}}$  和除了 ${\displaystyle x_{t}}$  之外的一切都条件独立，而 ${\displaystyle x_{t}}$  又和 ${\displaystyle x_{t-1}}$  之外的一切都条件独立，因此

${\displaystyle \alpha _{t}(x_{t})=p(y_{t}|x_{t})\sum _{x_{t-1}}p(x_{t}|x_{t-1})\alpha _{t-1}(x_{t-1})}$ .

这样，由于 ${\displaystyle p(y_{t}|x_{t})}$  和 ${\displaystyle p(x_{t}|x_{t-1})}$  由HMM的输出概率和状态转移概率我们可以很快计算用 ${\displaystyle \alpha _{t-1}(x_{t-1})}$  计算出${\displaystyle \alpha _{t}(x_{t})}$ ，并且可以避免递归计算。

前向算法可以很容易地被修改来适应其他的HMM变种，比如马尔可夫跳跃线性系统。

为了能够使用“未来的历史”（比如我们在试图预测过去的某个时点的状态），我们可以运行后向算法，它是前向算法的一个补充。这一操作被称为平滑^[为何？]。 前向-后向算法对 ${\displaystyle 1<k<t}$  计算 ${\displaystyle P(x_{k}|y_{1:t})}$ ，因此使用了过去和未来的全部信息。

为了解码最可能的序列，需要使用维特比算法。它会从过去的观测中试图推测最可能的状态序列，也即使 ${\displaystyle P(x_{0:t}|y_{0:t})}$  最大化的状态序列。