第13章 序列数据 Sequential Data
覆盖马尔可夫模型、HMM、前向后向、Viterbi、线性动态系统与粒子滤波；用概率模型状态、单故障推断轨迹和预测检验门完成独立复核。
学习目标
- 能说明“第13章 序列数据 Sequential Data”如何覆盖马尔可夫模型、HMM、前向后向、Viterbi、线性动态系统与粒子滤波，并区分2006年原版、2026年中文书目与当前扩展
- 能先预测“怎样让概率计算、参数学习、路径解码与滤波共享一致的时间索引和状态语义？”“第13章 序列数据 Sequential Data”会改变哪项概率状态，再用先验、运算、后验与诊断逐步复核
- 能注入“训练与解码使用不同索引，或数值下溢被误解为零概率”，用“状态/观测域、时间方向、初始分布、转移、发射、缩放和缺失数据规则固定”决定接受、降级或拒绝模型结论
为什么从这个概率问题开始
序列数据页用同一时间坐标连接过滤、平滑、学习和最可能路径。 “第13章 序列数据 Sequential Data”的贯穿任务是：对短离散序列和连续轨迹分别运行HMM、LDS与粒子滤波。 动手前先写下哪个观测、分布、参数、隐变量、消息或预测会变化；运行后补理由不算预测。
围绕“怎样让概率计算、参数学习、路径解码与滤波共享一致的时间索引和状态语义？”“第13章 序列数据 Sequential Data”建立参考、故障与恢复路径。只有它守住“状态/观测域、时间方向、初始分布、转移、发射、缩放和缺失数据规则固定”并交付状态/观测、初始/转移/发射、缩放alpha/beta、期望计数、Viterbi回溯、Kalman状态、粒子权重和退化诊断。，公式、图形或指标才构成模式识别与机器学习证据。
书目、266个原版层级与版本边界
“第13章 序列数据 Sequential Data”以Microsoft Research作者出版页和作者公开的原版完整PDF核对Christopher M. Bishop著 Pattern Recognition and Machine Learning 的正文与完整目录，并以Springer官方书目交叉核对2006年第一版、ISBN 9780387310732、14章和5个附录。本站逐项统计14个章标题、247个编号节/小节与附录A-E，共266个正式目录层级；作者勘误表用于纠正已知排印问题。
本项目能访问原版一手全文，但不复制或逐段翻译原书；中文解释、推导、数值实验、交互、练习与答案均为独立教学重写。中文发行书目只用于核对2026年人民邮电出版社新译本的ISBN 9787115681409、译者和页数，不用来证明原版正文。“第13章 序列数据 Sequential Data”以2006年原版为内容边界；2026年中文新译本只用于中文书目信息，当前库函数和后续研究只作带时间标签的独立核验。
本页另以技术核对 1、技术核对 2、技术核对 3核对算法定义、实现语义或数值诊断。外部资料能验证技术事实，不能反向证明原书采用了本站表述。
原版目录层级与概率机制
13 Sequential Data
↡Sequential Data对应原版目录坐标“13 Sequential Data”，在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 1/14。 在“第13章 序列数据 Sequential Data”的坐标1中，目录项「13 Sequential Data」用于在一致时间索引上执行过滤、平滑、学习和解码；先冻结观测与参数化，再以初始/转移/发射、缩放alpha/beta、期望计数、路径与粒子权重复核，出现索引错位、下溢或粒子退化被忽略时撤回结论。
13.1 Markov Models
↡Markov Models对应原版目录坐标“13·1 Markov Models”，在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 2/14。 目录项「13·1 Markov Models」进入“第13章 序列数据 Sequential Data”后要回答第2个概率问题：它怎样在一致时间索引上执行过滤、平滑、学习和解码、改变哪个条件或后验状态、由哪些初始/转移/发射、缩放alpha/beta、期望计数、路径与粒子权重证明，并如何排除索引错位、下溢或粒子退化被忽略。
13.2 Hidden Markov Models
↡Hidden Markov Models对应原版目录坐标“13·2 Hidden Markov Models”，在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 3/14。 围绕“怎样让概率计算、参数学习、路径解码与滤波共享一致的时间索引和状态语义？”“第13章 序列数据 Sequential Data”在原版层级3把「13·2 Hidden Markov Models」落实为在一致时间索引上执行过滤、平滑、学习和解码；复核者先读取初始/转移/发射、缩放alpha/beta、期望计数、路径与粒子权重，不能接受索引错位、下溢或粒子退化被忽略。
13.2.1 Maximum likelihood for the HMM
↡概率坐标4对应原版目录坐标“13·2·1 Maximum likelihood for the HMM”，在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 4/14。 对“第13章 序列数据 Sequential Data”而言，目录项「13·2·1 Maximum likelihood for the HMM」的最小建模合同是把目录坐标转为有变量、假设、推断与预测检查的概率合同，第4次检查保存观测、模型、先验/似然、算法状态、诊断、反例和时间边界；若产生只复述模型或公式名称，就返回上一步。
13.2.2 The forward-backward algorithm
↡概率坐标5对应原版目录坐标“13·2·2 The forward-backward algorithm”，在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 5/14。 第5个正式坐标「13·2·2 The forward-backward algorithm」服务于覆盖马尔可夫模型、HMM、前向后向、Viterbi、线性动态系统与粒子滤波，需要以初始/转移/发射、缩放alpha/beta、期望计数、路径与粒子权重呈现在一致时间索引上执行过滤、平滑、学习和解码；索引错位、下溢或粒子退化被忽略会破坏“状态/观测域、时间方向、初始分布、转移、发射、缩放和缺失数据规则固定”。
13.2.3 The sum-product algorithm for the HMM
↡概率坐标6对应原版目录坐标“13·2·3 The sum-product algorithm for the HMM”，在“第13章 序列数据 Sequential Data”中用于以图结构声明因子化、条件独立和消息推断，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 6/14。 在“第13章 序列数据 Sequential Data”的坐标6中，目录项「13·2·3 The sum-product algorithm for the HMM」用于以图结构声明因子化、条件独立和消息推断；先冻结观测与参数化，再以变量、边、因子、d-separation、消息、归一常数、边缘与MAP复核，出现从画图直觉推断独立或把循环消息当精确值时撤回结论。
13.2.4 Scaling factors
↡Scaling factors对应原版目录坐标“13·2·4 Scaling factors”，在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 7/14。 目录项「13·2·4 Scaling factors」进入“第13章 序列数据 Sequential Data”后要回答第7个概率问题：它怎样把目录坐标转为有变量、假设、推断与预测检查的概率合同、改变哪个条件或后验状态、由哪些观测、模型、先验/似然、算法状态、诊断、反例和时间边界证明，并如何排除只复述模型或公式名称。
13.2.5 The Viterbi algorithm
↡The Viterbi algorithm对应原版目录坐标“13·2·5 The Viterbi algorithm”，在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 8/14。 围绕“怎样让概率计算、参数学习、路径解码与滤波共享一致的时间索引和状态语义？”“第13章 序列数据 Sequential Data”在原版层级8把「13·2·5 The Viterbi algorithm」落实为在一致时间索引上执行过滤、平滑、学习和解码；复核者先读取初始/转移/发射、缩放alpha/beta、期望计数、路径与粒子权重，不能接受索引错位、下溢或粒子退化被忽略。
13.2.6 Extensions of the hidden Markov model
↡概率坐标9对应原版目录坐标“13·2·6 Extensions of the hidden Markov model”，在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 9/14。 对“第13章 序列数据 Sequential Data”而言，目录项「13·2·6 Extensions of the hidden Markov model」的最小建模合同是把目录坐标转为有变量、假设、推断与预测检查的概率合同，第9次检查保存观测、模型、先验/似然、算法状态、诊断、反例和时间边界；若产生只复述模型或公式名称，就返回上一步。
13.3 Linear Dynamical Systems
↡Linear Dynamical Systems对应原版目录坐标“13·3 Linear Dynamical Systems”，在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 10/14。 第10个正式坐标「13·3 Linear Dynamical Systems」服务于覆盖马尔可夫模型、HMM、前向后向、Viterbi、线性动态系统与粒子滤波，需要以初始/转移/发射、缩放alpha/beta、期望计数、路径与粒子权重呈现在一致时间索引上执行过滤、平滑、学习和解码；索引错位、下溢或粒子退化被忽略会破坏“状态/观测域、时间方向、初始分布、转移、发射、缩放和缺失数据规则固定”。
13.3.1 Inference in LDS
↡Inference in LDS对应原版目录坐标“13·3·1 Inference in LDS”，在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 11/14。 在“第13章 序列数据 Sequential Data”的坐标11中，目录项「13·3·1 Inference in LDS」用于把目录坐标转为有变量、假设、推断与预测检查的概率合同；先冻结观测与参数化，再以观测、模型、先验/似然、算法状态、诊断、反例和时间边界复核，出现只复述模型或公式名称时撤回结论。
13.3.2 Learning in LDS
↡Learning in LDS对应原版目录坐标“13·3·2 Learning in LDS”，在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 12/14。 目录项「13·3·2 Learning in LDS」进入“第13章 序列数据 Sequential Data”后要回答第12个概率问题：它怎样把目录坐标转为有变量、假设、推断与预测检查的概率合同、改变哪个条件或后验状态、由哪些观测、模型、先验/似然、算法状态、诊断、反例和时间边界证明，并如何排除只复述模型或公式名称。
13.3.3 Extensions of LDS
↡Extensions of LDS对应原版目录坐标“13·3·3 Extensions of LDS”，在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 13/14。 围绕“怎样让概率计算、参数学习、路径解码与滤波共享一致的时间索引和状态语义？”“第13章 序列数据 Sequential Data”在原版层级13把「13·3·3 Extensions of LDS」落实为把目录坐标转为有变量、假设、推断与预测检查的概率合同；复核者先读取观测、模型、先验/似然、算法状态、诊断、反例和时间边界，不能接受只复述模型或公式名称。
13.3.4 Particle filters
↡Particle filters对应原版目录坐标“13·3·4 Particle filters”，在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，并受支持集、条件化、算法状态、预测语义与版本边界约束。原版坐标 14/14。 对“第13章 序列数据 Sequential Data”而言，目录项「13·3·4 Particle filters」的最小建模合同是在一致时间索引上执行过滤、平滑、学习和解码，第14次检查保存初始/转移/发射、缩放alpha/beta、期望计数、路径与粒子权重；若产生索引错位、下溢或粒子退化被忽略，就返回上一步。
先预测，再操作三个章专属概率实验
1. 概率模型与条件状态
固定“对短离散序列和连续轨迹分别运行HMM、LDS与粒子滤波。”，在参考与反例间切换，逐阶段查看“定义状态空间、前向过滤、后向平滑、学习或解码、检查序列证据”的进入状态、条件化、离开状态和概率检查。
概率模型状态
选择观测情形，逐步核对先验、运算与后验
怎样让概率计算、参数学习、路径解码与滤波共享一致的时间索引和状态语义？
观测设置
对短离散序列和连续轨迹分别运行HMM、LDS与粒子滤波。 固定数据、参数化、初值、顺序、容差和种子。
事前预测
沿“定义状态空间 → 前向过滤 → 后向平滑 → 学习或解码 → 检查序列证据”得到可复核概率结论。
适用边界
全过程必须满足“状态/观测域、时间方向、初始分布、转移、发射、缩放和缺失数据规则固定”。
进入本步的状态
第13章 序列数据 Sequential Data：声明观测、变量与数据角色，保持其余概率合同不变
条件化或变换
冻结支持集、形状、版本和允许读取的信息，并持续满足“状态/观测域、时间方向、初始分布、转移、发射、缩放和缺失数据规则固定”
离开本步的状态
定义状态空间产生可追溯观测状态
概率与数值检查
可追溯观测状态、概率质量与数值断言；出现“训练与解码使用不同索引，或数值下溢被误解为零概率”时停止
原版坐标：13 Sequential Data、13.1 Markov Models、13.2 Hidden Markov Models、13.2.1 Maximum likelihood for the HMM、13.2.2 The forward-backward algorithm、13.2.3 The sum-product algorithm for the HMM、13.2.4 Scaling factors、13.2.5 The Viterbi algorithm、13.2.6 Extensions of the hidden Markov model、13.3 Linear Dynamical Systems、13.3.1 Inference in LDS、13.3.2 Learning in LDS、13.3.3 Extensions of LDS、13.3.4 Particle filters
第13章 序列数据 Sequential Data的可重放概率协议
| 阶段 | 允许动作 | 必留证据 | 拒绝条件 |
|---|---|---|---|
| 定义状态空间 | 在“第13章 序列数据 Sequential Data”执行定义状态空间，只改变声明的概率或算法状态 | 观测、变量、支持集、数据角色与版本 | 观测或支持集不可追溯 |
| 前向过滤 | 在“第13章 序列数据 Sequential Data”执行前向过滤，只改变声明的概率或算法状态 | 模型、先验/似然、参数/隐变量、消息、样本与预测分布 | 训练与解码使用不同索引，或数值下溢被误解为零概率 |
| 后向平滑 | 在“第13章 序列数据 Sequential Data”执行后向平滑，只改变声明的概率或算法状态 | 模型、先验/似然、参数/隐变量、消息、样本与预测分布 | 训练与解码使用不同索引，或数值下溢被误解为零概率 |
| 学习或解码 | 在“第13章 序列数据 Sequential Data”执行学习或解码，只改变声明的概率或算法状态 | 模型、先验/似然、参数/隐变量、消息、样本与预测分布 | 训练与解码使用不同索引，或数值下溢被误解为零概率 |
| 检查序列证据 | 在“第13章 序列数据 Sequential Data”执行检查序列证据，只改变声明的概率或算法状态 | 归一、残差、校准、反例、适用边界与复现 | 无法重放或缺少预测检查 |
unit: "prl-13"
question: "怎样让概率计算、参数学习、路径解码与滤波共享一致的时间索引和状态语义？"
scenario: "对短离散序列和连续轨迹分别运行HMM、LDS与粒子滤波。"
stages: ["定义状态空间", "前向过滤", "后向平滑", "学习或解码", "检查序列证据"]
invariant: "状态/观测域、时间方向、初始分布、转移、发射、缩放和缺失数据规则固定"
fault: "训练与解码使用不同索引，或数值下溢被误解为零概率"
evidence: "状态/观测、初始/转移/发射、缩放alpha/beta、期望计数、Viterbi回溯、Kalman状态、粒子权重和退化诊断。"
reset: restore_case_stage_trace_mode_step_gates_and_artifact该协议要求“第13章 序列数据 Sequential Data”在相同观测、数据角色、参数化、初值、顺序、容差和种子下重放。重置后若案例、阶段、轨迹模式、步骤、预测门或证据包没有回到基线，交互状态已经污染比较。
本页回顾
掌握“第13章 序列数据 Sequential Data”不是背诵公式或API，而是能围绕“怎样让概率计算、参数学习、路径解码与滤波共享一致的时间索引和状态语义？”重建观测、模型、推断与预测证据，并用“状态/观测域、时间方向、初始分布、转移、发射、缩放和缺失数据规则固定”拒绝“训练与解码使用不同索引，或数值下溢被误解为零概率”。最终交付为状态/观测、初始/转移/发射、缩放alpha/beta、期望计数、Viterbi回溯、Kalman状态、粒子权重和退化诊断。
练习与答案
练习
- 问题 1：概率合同。 “第13章 序列数据 Sequential Data”为什么必须先冻结观测、数据角色、参数化、初值、顺序、容差和种子？
- 问题 2：目录逐项覆盖。 怎样证明原版目录坐标已经进入机制、交互和练习？
- 问题 3：故障恢复。 怎样证明“训练与解码使用不同索引，或数值下溢被误解为零概率”已经被修正？
名词解释
名词解释
本章出现的专业名词，用大白话再讲一遍。
- Sequential Data
检索键 prml-A 对应目录坐标「13 Sequential Data」；在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- Markov Models
检索键 prml-B 对应目录坐标「13·1 Markov Models」；在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- 概率坐标4
检索键 prml-D 对应目录坐标「13·2·1 Maximum likelihood for the HMM」；在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- 概率坐标5
检索键 prml-E 对应目录坐标「13·2·2 The forward-backward algorithm」；在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- 概率坐标6
检索键 prml-F 对应目录坐标「13·2·3 The sum-product algorithm for the HMM」；在“第13章 序列数据 Sequential Data”中用于以图结构声明因子化、条件独立和消息推断，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- Scaling factors
检索键 prml-G 对应目录坐标「13·2·4 Scaling factors」；在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- The Viterbi algorithm
检索键 prml-H 对应目录坐标「13·2·5 The Viterbi algorithm」；在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- 概率坐标9
检索键 prml-I 对应目录坐标「13·2·6 Extensions of the hidden Markov model」；在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- Linear Dynamical Systems
检索键 prml-J 对应目录坐标「13·3 Linear Dynamical Systems」；在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- Inference in LDS
检索键 prml-K 对应目录坐标「13·3·1 Inference in LDS」；在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- Learning in LDS
检索键 prml-L 对应目录坐标「13·3·2 Learning in LDS」；在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- Extensions of LDS
检索键 prml-M 对应目录坐标「13·3·3 Extensions of LDS」；在“第13章 序列数据 Sequential Data”中用于把目录坐标转为有变量、假设、推断与预测检查的概率合同，需要连接原版范围、概率状态、推断轨迹与独立预测证据。
- Particle filters
检索键 prml-N 对应目录坐标「13·3·4 Particle filters」；在“第13章 序列数据 Sequential Data”中用于在一致时间索引上执行过滤、平滑、学习和解码，需要连接原版范围、概率状态、推断轨迹与独立预测证据。