r - 在R中使用多个观测值和MHSM包进行HMM训练

我想通过泊松观测来训练新的HMM模型，这是我唯一了解的内容。
我正在为R使用mhsmm软件包。

困扰我的第一件事是模型的初始化，在示例中是：

J<-3
initial <- rep(1/J,J)
P <- matrix(1/J, nrow = J, ncol = J)
b <- list(lambda=c(1,3,6))
model = hmmspec(init=initial, trans=P, parms.emission=b,dens.emission=dpois.hsmm)

就我而言，我没有排放分布参数的初始值，这就是我想要估计的值。怎么样？

其次：如果我只有观察结果，我该如何将其传递给

h1 = hmmfit(list_of_observations, model ,mstep=mstep.pois)

为了获得训练好的模型？
在示例中，list_of_observations包含状态向量，一个观测值和一个观测序列长度，通常通过模型仿真获得：

list_of_observations = simulate(model, N, rand.emis = rpois.hsmm)

编辑：发现这个旧问题的答案部分解决了我的问题：
MHSMM package in R-Input Format?
这两行达到了目的：

train <- list(x = data.df$sequences, N = N)
class(train) <- "hsmm.data"

其中data.df $ sequences是包含所有观察序列的数组，N是包含每个序列的观察计数的数组。
初始模型仍然是完全随机的，但是我想这就是它的原意，因为它将被重新估计，对吗？

最佳答案

初始化问题不仅对于HMM和HSMM都是至关重要的，而且对于所有基于期望最大化算法形式的学习方法也至关重要。 EM在模型和数据之间的似然性方面收敛于局部最优，但这并不总是保证达到全局最优。

关于r - 在R中使用多个观测值和MHSM包进行HMM训练，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/30329148/