前向算法

此條目需要精通或熟悉相关主题的编者参与及协助编辑。 (2018年11月18日) 請邀請適合的人士改善本条目。更多的細節與詳情請參见討論頁。

前向算法（Forward algorithm），在隐马尔可夫模型（HMM）中，是用于计算“置信状态”的。置信状态指根据既往证据推算出的当前状态的概率分布。这个过程也被叫做“滤波”。前向算法和维特比算法紧密相关但又互不相同。

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^[為何？]。 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。