Я думаю, что GMMHMM работает: вы предполагаете, что наблюдения следуют смеси гауссовых распределений, поэтому вы можете сначала применить модель гауссовой смеси к наблюдению, а затем применить скрытые модели Маркова к результирующим значениям (метки вроде 1,3, 4 зависят на количество компонентов GMM) в качестве наблюдений. Причина этого в том, что MATLAB не поддерживает непрерывную эмиссию, но имеет набор инструментов GMM. Может ли кто-нибудь подтвердить это или уточнить, как работает GMMHMM? Мой вопрос заключается в том, что этот метод интуитивно не имеет особого смысла, поскольку метки GMM случайны, поэтому, если во временном интервале t предполагается, что в GMM есть 3 компонента, а ваши метки 1 2 3, где 3 соответствует наилучшей группе, 2 - второй и 1 - худшей (предположим, что мы собираемся кластеризовать подобные объекты), тогда в момент времени t + 1 мы снова применяем алгоритмы GMM, и нет никакой гарантии, что лучшая группа окажется ниже 3 опять может быть 2 или 1. Я имею в виду, что членство в кластере является случайным. Может кто-нибудь объяснить, пожалуйста, об этой проблеме и как решить эту проблему?