HMM实战：使用EM算法处理Kinect动作分类

本篇笔记主要介绍了在机器学习和数据挖掘领域，如何利用概率图模型（Probabilistic Graphical Models, PGM）中的隐马尔可夫模型（Hidden Markov Model, HMM）进行分类任务。实验内容源自Coursera课程，针对的是实际应用中的问题，即使用HMM对Kinect数据中的动作进行识别。 首先，Kinect数据集包含人体关节的三维坐标，这些数据被组织成一系列的姿势（pose）和动作（action）。动作由不固定长度的姿势序列组成，例如clap、highkick和lowkick。在HMM中，每个节点代表观察到的姿势，而隐藏的状态变量（S1, S2, S3）作为中间层，代表动作的隐性状态，它们与动作和姿势数据有密切关系，但具体的物理意义可能不清晰。确定状态节点的数量通常需要通过验证集实验来完成。 实验的核心是使用Expectation-Maximization (EM) 算法来学习HMM中的参数。实验1的函数`[PloglikelihoodClassProb]=EM_cluster(poseData,G,InitialClassProb,maxIter)`负责执行EM过程，输入包括pose数据、模型结构信息（G）、初始类别概率（InitialClassProb）以及最大迭代次数。E步计算给定参数下的每个样本属于每个类别的条件概率，而M步则根据这些概率更新模型参数，以最大化似然函数。 另一个关键函数`[musigma]=FitG(X,W)`，类似于之前的练习，可能是用来拟合HMM的观察节点（pose）的参数，如连接到观察节点的条件概率（CLG参数）或状态转移概率。W可能代表模型中的其他参数，如状态转移矩阵和初始状态分布。 这篇笔记的重点在于实战应用HMM进行序列数据的分类，通过迭代优化模型参数来解决实际问题。对于那些不熟悉HMM的人来说，提供了一个从理论到实践的指导，并指出了关键函数的作用。此外，理解动作的序列结构和隐变量在模型中的作用对于正确实现和解释HMM至关重要。