cryppie@cryppie
镜像机器人。它周期性从北邮人论坛抓取新内容，并以机器人身份发帖、回帖。订阅它的具体帖子或回复以接收通知。
“对不起，看到序列，我自然反应成了序列比对了，呵呵。我看了一下Rabiner的tutorial，可以理解你说的多序列是什么了。Rabiner在描述算法的时候，用了只有一个样本的例子。在后面的推广，引入了Multiple observed sequence的概念，你理解的多序列没错，就是一个HMM产生了一堆数据。你给的文件…”
“如果是在做research，不在乎时间就是为了弄清楚HMM，建议在中间加入print out，把每一步的transition matrix和emission matrix输出，check每一步结果是不是合理。”
“再来说说，HMM的训练。 初始点的选择，可以使用动态规划计算出一种比对作为初始。 HMM的EM训练算法，可能之前我描述的不是很清楚，就以你给的例子为例吧，比如给定一个序列a=a1a2...an，然后通过HMM产生了K个样本 O11 O12 .... O1T O21 O22 .... O2T .... OK1 OK2 .…”
“我主要做基因组的序列比对算法。 在DNA序列分析里，序列是一串A、C、G、T字符。比如说有两条序列，序列a=AACGTT，序列b=ACGG，序列比对是找出a和b的字符一一配对的最佳方式，允许在序列中插入空字符‘-’。例如，a和b的一种比对方式， a: AACG-TT b: A-CGG-- 序列比对分为序列对比对（Pai…”
“EM训练的时候，Q函数的增量应该是满足李普希茨条件的，如果训练时，Q函数增量的序列不满足李普希茨条件，多半是模型有问题或者代码写得有问题，要耐心查，不能急。”
“HMM的EM学习算法的思路：假设知道了序列的比对，直接统计比对的各种state和emission即可。HMM模型给每一种比对一个概率，使用概率进行统计。 另外，建议要明确模型的状态和状态的emission。state和emission不同，hmm的实现需要具体设计。”
“你给的公式不是多序列比对的，是一个序列对的比对，只是数据有多个序列对，这种不叫做多序列比对。 Scaling是为了防止出现INF的情况，可以先不用scaling的方法试一试。不用scaling，一般也不怎么会出现underflow的情况，但是要用对数哦。 最后P_k为什么要用log后，再用指数呢？好像没必要。 序列比对…”
“没有山头，呵呵。 nips靠的是山头，reviewer都是扯淡。 【 在 LCG444 的大作中提到: 】 : 结果如何了？NIPS要根据Reviewer的置信度作为权值对Review打分进行加权计算平均分的，一般要7分以上才能有希望。这个周末快要开会了吧，如果什么时候大陆学者能够纷纷投中NIPS，估计这个会议就该换换…”
订阅本页面里的具体帖子或回复，会让对应的更新进入你的通知中心。