Я новичок в работе со скрытыми марковскими моделями в целом, и тем более в Python, поэтому извините за мой (возможно, тривиальный) вопрос.
Я хочу использовать скрытую марковскую модель Модель архитектуры, в которой каждое состояние может оставаться только в себе или переходить в следующее состояние. Все остальные варианты имеют вероятность, равную нулю.
Я хочу подогнать данные под эту модель так, чтобы результирующая модель также отвечала ограничению.
Я использую библиотеку hmmlearn с Python, и мне нужно работать с моделью гауссовой смеси с 10 состояниями. Как это можно реализовать? Я не вижу никакой информации в документации и не могу найти никакой гарантии, что пригонка сохранит какое-либо начальное состояние. Спасибо!
Подробнее здесь: https://stackoverflow.com/questions/790 ... rkov-model
