Baum–Welch Algorithm

释义 Definition（中文）

Baum–Welch 算法（鲍姆–韦尔奇算法）是一种用于隐马尔可夫模型（HMM）的参数学习方法，属于 EM（期望最大化）算法的特例。它在给定观测序列、但隐藏状态未知时，迭代估计转移概率与发射概率，使数据的似然（likelihood）逐步增大。（在实际应用中常收敛到局部最优。）

发音 Pronunciation (IPA)

/ˈbaʊm ˈwɛltʃ ˈælɡəˌrɪðəm/

例句 Examples

We used the Baum–Welch algorithm to train a simple HMM.
我们使用 Baum–Welch 算法来训练一个简单的隐马尔可夫模型。

In speech recognition, the Baum–Welch algorithm iteratively updates HMM parameters using forward–backward probabilities computed from large audio datasets.
在语音识别中，Baum–Welch 算法利用从大规模音频数据计算得到的前向–后向概率，迭代更新 HMM 参数。

词源 Etymology（中文）

该名称来自两位提出相关理论与方法的学者 Leonard E. Baum 与 Lloyd R. Welch。它与“前向–后向（forward–backward）”计算密切相关，并被视为 EM 思想在 HMM 参数估计问题上的经典实现，因此常以两位作者姓氏并称命名。

相关词 Related Words

• Expectation-Maximization
• Hidden Markov Model
• Forward-Backward Algorithm
• Viterbi Algorithm
• Maximum Likelihood
• Latent Variable
• Markov Chain

文学/著作中的用例 Literary Works（常见出处）

• A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition（L. R. Rabiner, 1989）——介绍 HMM 时讨论 Baum–Welch（作为前向–后向/EM 训练方法）。
• Speech and Language Processing（Daniel Jurafsky & James H. Martin）——在序列建模与 HMM 章节讲解 Baum–Welch 训练。
• Pattern Recognition and Machine Learning（Christopher M. Bishop）——在潜变量模型与 EM 相关内容中提及 HMM/EM 训练思路（常与 Baum–Welch 对应）。
• Machine Learning: A Probabilistic Perspective（Kevin P. Murphy）——系统讲解 HMM 推断与学习，包含 Baum–Welch/EM 的表述。