我是隐马尔可夫模型的新手，目前正在尝试使用连续 HMM 来预测 R 中 UCI 人类活动识别数据集（由加速度计和陀螺仪值组成）上的 6 个活动。我有训练数据和测试数据，并且总共有 561 个功能。在阅读了几篇论文后，我制作了一个 6 状态 HMM，并使用我拥有的训练数据对其进行训练，假设这些状态代表要分类的一项活动。之后，我使用维特比来预测 HMM 应用于测试数据时最可能的序列。使用 HMM 的 depmixS4 包，我尝试输入这些代码：
hmm <- depmix(activity~1,nstates=6,data=train[,-562],family=multinomial("identity"))
fhmm <- fit(hmm)
hmm2 <- depmix(activity~1,nstates=6,data=test[,-562],family=multinomial("identity"))
hmm2 <- setpars(hmm2, getpars(fhmm))
viterbi(hmm2)
我惊讶地发现，当使用所有 561 个特征时，这些代码产生了 100% 的准确率（我使用 Jahmm 只获得了大约 80% 的准确率，但后来我无法使用它的所有 561 个特征，因为它挂起了）。 我实际上正在与 depmixS4 的开发者联系，他确认代码没问题，但也说，“请注意，下面的拟合模型实际上是观察到的或普通的模型 马尔可夫模型而不是隐马尔可夫模型，因为所有响应 概率是在边界处估计的。” 他所说的“响应概率在边界处估计”是什么意思？我尝试在网上搜索它的含义，但没有成功。
使用维特比不就意味着它确实是一个隐马尔可夫模型吗？我做错了吗？
请注意，“viterbi()”函数仍然是软件包中未发布的函数（开发人员友好地告诉我它以便能够尝试我的想法）。
在马尔可夫模型中，状态和观察序列之间存在一对一的对应关系。在隐马尔可夫模型中没有对应关系。此外，还有一个或多个隐藏状态：您无法通过查看相应的序列来判断系统的状态。
Viterbi 用于寻找 HMM 中状态的最可能序列。我不确定该包的作者为什么使用 Viterbi，也许他只是想表明 Viterbi 可以用于可观察状态。