更新E步理解

CH10/README.md

@@ -250,6 +250,7 @@ $$
 >
 >
 >
+>
 
 - 这里需要**注意**下, 按照后向算法, $\beta$在递推过程中会越来越小, 如果层数较多, 怕是$P(O|\lambda)$会消失
 - 另外一个要注意的点$\color{red}o_{t+1}\beta_{t+1}$
@@ -321,7 +322,13 @@ Baum-Welch算法是EM算法在隐马尔可夫模型学习中的**具体实现**,
 
 -Welch算法中会用到, 代码实现的时候才理解, 这小节对应的是E步概率和期望, 后面算法里面的是M步的内容, 说明如何用这些概率和期望去更新HMM模型的参数.
 
-这部分的理解, 要再结合第九章的内容反复一下.
+重新梳理一下整个10.2节的内容, 这部分内容描述**概率计算方法 **, 实际上在E步操作的时候都要用到, 需要用到前向后向算法根据模型参数$A,B,\pi$来更新$\alpha$和$\beta$, 然后利用这两个值来更新一些概率和期望, 再通过模型参数的递推公式来更新模型参数.
+
+这里可能还有点疑问, EM算法的描述里面, E步计算的是Q函数, 但是前面的描述似乎并没有显示Q函数和这些工作之间的关系.另外, M步具体操作是参数更新的递推公式, 怎么就是最大化了呢? 书中$P_{182}$的推导也许能解释这个问题.
+
+看到这里, 感觉书上真的是一句废话都没有...
+
+这部分的理解, 要再结合第九章的内容反复一下, 应该会有新的体会.
 
 ### Viterbi算法