让你真正理解HMM(Hidden Markov Model)的算法演示程序

HMM, 隐Markov模型, 在人脸, 步态, 语音识别等领域有着广泛的用途.

通过以Javascript语言演示其使用方法, 读者可方便地理解其计算过程(其实,并不难).

理论就不讲解了,直接看计算过程:

?<html>
<head>
<meta charset="UTF-8"/>
<meta author="[email protected]"/>
<meta published="2014-11-28"/>
<meta licence="public"/>
<meta about="Hidden markov model"/>
<title>让你真正理解隐Markov模型的计算示例</title>
</head>
<body>

<h1>HMM Demo</h1>
<hr/>
<div id="info">
<h2>[0] HMM模型参数</h2>
<b>状态S：	{H,	L}</b><br/>
<b>初始状态I：	{0.5, 0.5}</b><br/>
<b>状态转移矩阵A：</b><br/>
<table border="1px">
<tr>
  <td>a_ij</td><td>H</td><td>L</td>
</tr>
<tr>
  <td>H</td><td>0.5</td><td>0.5</td>
</tr>
<tr>
  <td>L</td><td>0.4</td><td>0.6</td>
</tr>
</table>
<b>混淆矩阵B：</b><br/>
<table border="1px">
<tr>
  <td>b_ik</td><td>A</td><td>C</td><td>T</td><td>G</td>
</tr>
<tr>
  <td>H</td><td>0.2</td><td>0.3</td><td>0.3</td><td>0.2</td>
</tr>
<tr>
  <td>L</td><td>0.3</td><td>0.2</td><td>0.2</td><td>0.3</td>
</tr>
</table>
<br/>
<h2>[1] 评估问题：使用上述模型,采用<font color='red'>Forward算法</font>计算发生GGCA观测结果的概率</h2>
<h3>结果矩阵:</h3>
<table border="1px">
<tr>
  <td>概率</td><td>初始</td>
  <td><div id="O1">G</div></td>
  <td><div id="O2">G</div></td>
  <td><div id="O3">C</div></td>
  <td><div id="O4">A</div></td>
</tr>
<tr>
	<td><div id="S0">H</div></td>
	<td>0.5</td>
	<td><div id="11"></div></td>
	<td><div id="12"></div></td>
	<td><div id="13"></div></td>
	<td><div id="14"></div></td>
</tr>
<tr>
	<td><div id="S1">L</div></td>
	<td>0.5</td>
	<td><div id="21"></div></td>
	<td><div id="22"></div></td>
	<td><div id="23"></div></td>
	<td><div id="24"></div></td>
</tr>
</table>

<div id="prob">
</div>
<br/>
<div id="output">
<b>计算过程:</b><br/>
</div>
<hr/>

<h2>[2] 解码问题: 给定观测序列GGCACTGAA,问产生该序列概率最大的状态路径是什么?</h2>
<b>把HMM模型换算为以2为底的对数值,则有</b><br/>
<b>状态S：	{H,	L}</b><br/>
<b>初始状态I：	{-1, -1}</b><br/>
<b>状态转移矩阵A：</b><br/>
<table border="1px">
<tr>
  <td>a_ij</td><td>H</td><td>L</td>
</tr>
<tr>
  <td>H</td><td>-1</td><td>-1</td>
</tr>
<tr>
  <td>L</td><td>-1.322</td><td>-0.737</td>
</tr>
</table>
<b>混淆矩阵B：</b><br/>
<table border="1px">
<tr>
  <td>b_ik</td><td>A</td><td>C</td><td>T</td><td>G</td>
</tr>
<tr>
  <td>H</td><td>-2.322</td><td>-1.737</td><td>-1.737</td><td>-2.322</td>
</tr>
<tr>
  <td>L</td><td>-1.737</td><td>-2.322</td><td>-2.322</td><td>-1.737</td>
</tr>
</table>
<h3>结果矩阵:</h3>
<table border="1px">
<tr>
  <td>概率</td><td>初始</td>
  <td><div id="D1">G</div></td>
  <td><div id="D2">G</div></td>
  <td><div id="D3">C</div></td>
  <td><div id="D4">A</div></td>
  <td><div id="D5">C</div></td>
  <td><div id="D6">T</div></td>
  <td><div id="D7">G</div></td>
  <td><div id="D8">A</div></td>
  <td><div id="D9">A</div></td>
</tr>
<tr>
	<td><div id="S0">H</div></td>
	<td>-1.0</td>
	<td><div id="V11"></div></td>
	<td><div id="V12"></div></td>
	<td><div id="V13"></div></td>
	<td><div id="V14"></div></td>
	<td><div id="V15"></div></td>
	<td><div id="V16"></div></td>
	<td><div id="V17"></div></td>
	<td><div id="V18"></div></td>
	<td><div id="V19"></div></td>
</tr>
<tr>
	<td><div id="S1">L</div></td>
	<td>-1.0</td>
	<td><div id="V21"></div></td>
	<td><div id="V22"></div></td>
	<td><div id="V23"></div></td>
	<td><div id="V24"></div></td>
	<td><div id="V25"></div></td>
	<td><div id="V26"></div></td>
	<td><div id="V27"></div></td>
	<td><div id="V28"></div></td>
	<td><div id="V29"></div></td>
</tr>
</table>
<div id="result1"></div>
计算过程:<br/>
<div id="output1"><div>

<script type="text/javascript">
//状态集合
var S = ['H', 'L'];
//观测集合
var O = ['A', 'C', 'T', 'G'];
//初始状态发生H和L的概率矩阵
var imat = [0.5, 0.5];
//不同状态间转换的概率矩阵---状态转换矩阵
var amat = {'HH': 0.5, 'HL':0.5, 'LH':0.4, 'LL': 0.6};
//由状态产生特定观测的概率矩阵---混淆矩阵
var bmat = {'HA': 0.2, 'HC': 0.3, 'HG': 0.3, 'HT': 0.2,
            'LA': 0.3, 'LC': 0.2, 'LG': 0.2, 'LT': 0.3};
//测试用的观测结果
var dest = 'GGCA';

//设置概率计算矩阵
var pmat = new Array(S.length);
for(var i = 0; i < S.length; i++) {
	pmat[i] = new Array();
	for(var j = 0; j < dest.length; j++)
		pmat[i].push(0);
}

var out = document.getElementById("output");
var tmp;

//计算评估问题算法---前向算法
//分为两个部分计算
//计算结果矩阵pmat第1列---由初始状态矩阵及混淆矩阵所决定
for(var i = 0; i < S.length; i++) {
	pmat[i][0] = imat[i] * bmat[S[i] + dest[0]];
	document.getElementById(String(i + 1) + "1").innerHTML = pmat[i][0];
}

//计算后续列的概率---由前一状态概率 * 状态间转换概率amat * 状态到观测概率矩阵bmat所决定
for(var i = 1; i < dest.length; i++) {
	for(var rowA = 0; rowA < S.length; rowA++) {
		//输出
		out.innerHTML += "<b>" + String(rowA + 1) + "行" + String(i + 1) + "列</b><br/>";
		for(var rowB = 0; rowB < S.length; rowB++) {
			if (rowA == rowB) {
				tmp = pmat[rowA][i-1] * amat[S[rowA] + S[rowA]] * bmat[S[rowA] + dest[i]];
				pmat[rowA][i] += tmp;
				//输出
				out.innerHTML += S[rowA] + S[rowB] + dest[i] + ": " + String(pmat[rowA][i-1]) + "*" + String(amat[S[rowA] + S[rowA]]) + "*" + String(bmat[S[rowA] + dest[i]]) + "=" + String(tmp) + "<br/>";
			}
			else {
				tmp = pmat[rowB][i-1] * amat[S[rowB] + S[rowA]] * bmat[S[rowA] + dest[i]];
				pmat[rowA][i] += tmp;
				//输出
				out.innerHTML += S[rowB] + S[rowA] + dest[i] + ": " + String(pmat[rowB][i-1]) + "*" + String(amat[S[rowB] + S[rowA]]) + "*" + String(bmat[S[rowB] + dest[i]]) + "=" + String(tmp) + "<br/>";
			}
		}
		//输出
		out.innerHTML += "和为: <b>" + String(pmat[rowA][i]) + "</b><br/>";
		document.getElementById(String(rowA + 1) + String(i + 1)).innerHTML = pmat[rowA][i];
	}
}

//输出状态S产生观测序列的概率
var sm = 0;
for(var i = 0; i < S.length; i++)
  sm += pmat[i][dest.length-1];
document.getElementById("prob").innerHTML = "评估结果: HMM(S(H, L), O(A, T, C, G), imat, amat, bmat)产生观测结果" + dest + "的概率为: <font color='red'>" + String(sm) + "</font><br/>";

//------------------------
//取得最佳路径问题---解码问题
//测试用的观测结果
var dest = 'GGCACTGAA';
//把数值矩阵转换为对数
for(var i = 0; i < S.length; i++)
  	imat[i] = Math.log(imat[i]) / Math.LN2;
for(var i = 0; i < S.length; i++)
	for(var j = 0; j < S.length; j++) {
  		amat[S[i] + S[j]] = Math.log(amat[S[i] + S[j]]) / Math.LN2;
	}
for(var i = 0; i < S.length; i++)
	for(var j = 0; j < O.length; j++) {
  		bmat[S[i] + O[j]] = Math.log(bmat[S[i] + O[j]]) / Math.LN2;
  		console.log( S[i] + "->" + O[j] + "=" + bmat[S[i] + O[j]] );
  	}

//初始化概率计算矩阵pmat
var pmat = new Array(S.length);
for(var i = 0; i < S.length; i++) {
	pmat[i] = new Array();
	for(var j = 0; j < dest.length; j++)
		pmat[i].push(0);
}

var out = document.getElementById("output1");
//计算解码问题算法---Viterbi算法
//分为两个部分计算
//计算结果矩阵pmat第1列---由初始状态矩阵及混淆矩阵所决定
var link = new Array();
var maxval = -1e15, maxid = -1;
for(var i = 0; i < S.length; i++) {
	pmat[i][0] = imat[i] + bmat[S[i] + dest[0]];
	if (pmat[i][0] > maxval) {
		maxval = pmat[i][0];
		maxid = i;
	}
	document.getElementById("V" + String(i + 1) + "1").innerHTML = pmat[i][0];
}
//存储第1个最大概率点
link.push(S[maxid]);

//计算后续列的概率---由前一状态最大概率 * 前一状态到其他状态的转换概率amat * 当前状态对观测值的发生概率
//记录当前可能产生观测结果的最大概率
for(var i = 1; i < dest.length; i++) {
	var thisO = dest[i];
    //计算由上次状态lastS出发,发生状态转换到S[rowA]产生观测值dest[i]的最大概率
	for(var rowA = 0; rowA < S.length; rowA++) {
		var thisS = S[rowA];
		var maxval = -1e15;
		//由thisS产生thisO的概率
		var pp = bmat[thisS + thisO];
		for(var rowB = 0; rowB < S.length; rowB++) {
			var lastS = S[rowB];
			//由lastS到thisS的转移概率
			var tp = amat[lastS + thisS];
			//上次的历史概率
			var lp = pmat[rowB][i-1];
			//总概率
			var totalP = pp + tp + lp;
			if (totalP > maxval) {
				maxval = totalP;
				document.getElementById("V" + String(rowA + 1) + String(i + 1)).innerHTML = String(totalP);
			}
			out.innerHTML += "O" + String(i + 1) + ": " + lastS + "->" + thisS + "= " +
				String(pp) + "(" + thisS + "->" + thisO + ") +" + String(tp) + "(T: " + lastS + thisS + ") +"
					+ String(lp) + "(" + lastS + ", " + String(i-1)  + ") ==>" + String(totalP) + "<br/>";
		}
		pmat[rowA][i] = maxval;
	}
	if (pmat[0][i] > pmat[1][i])
		link.push(S[0]);
	else
		link.push(S[1]);
	out.innerHTML += "最佳: " + link[link.length - 1] + "<br/>";
}
var out = document.getElementById("result1");
out.innerHTML = "最佳状态序列:";
for(var i = 0; i < link.length; i++)
	out.innerHTML += link[i];
</script>
</body>
</html>

计算结果如下,方便大家检验:

HMM Demo

[0] HMM模型参数

状态S： {H, L}

初始状态I： {0.5, 0.5}

状态转移矩阵A：

a_ij H L
H 0.5 0.5
L 0.4 0.6

混淆矩阵B：

b_ik A C T G
H 0.2 0.3 0.3 0.2
L 0.3 0.2 0.2 0.3

[1] 评估问题：使用上述模型,采用Forward算法计算发生GGCA观测结果的概率

结果矩阵:

概率 初始
G
G
C
A

H 		0.5
0.15
0.0345
0.008415
0.0013767000000000002

L 		0.5
0.1
0.027
0.00669
0.00246645

评估结果: HMM(S(H, L), O(A, T, C, G), imat, amat, bmat)产生观测结果GGCA的概率为:
0.00384315

计算过程:

1行2列

HHG: 0.15*0.5*0.3=0.0225

LHG: 0.1*0.4*0.2=0.012000000000000002

和为: 0.0345

2行2列

HLG: 0.15*0.5*0.3=0.015

LLG: 0.1*0.6*0.2=0.012

和为: 0.027

1行3列

HHC: 0.0345*0.5*0.3=0.005175

LHC: 0.027*0.4*0.2=0.0032400000000000003

和为: 0.008415

2行3列

HLC: 0.0345*0.5*0.3=0.0034500000000000004

LLC: 0.027*0.6*0.2=0.00324

和为: 0.00669

1行4列

HHA: 0.008415*0.5*0.2=0.0008415000000000001

LHA: 0.00669*0.4*0.3=0.0005352

和为: 0.0013767000000000002

2行4列

HLA: 0.008415*0.5*0.2=0.0012622500000000001

LLA: 0.00669*0.6*0.3=0.0012041999999999997

和为: 0.00246645

[2] 解码问题: 给定观测序列GGCACTGAA,问产生该序列概率最大的状态路径是什么?

把HMM模型换算为以2为底的对数值,则有

状态S： {H, L}

初始状态I： {-1, -1}

状态转移矩阵A：

a_ij H L
H -1 -1
L -1.322 -0.737

混淆矩阵B：

b_ik A C T G
H -2.322 -1.737 -1.737 -2.322
L -1.737 -2.322 -2.322 -1.737

结果矩阵:

概率 初始
G
G
C
A
C
T
G
A
A

H 		-1.0
-2.7369655941662066
-5.473931188332413
-8.210896782498619
-11.53282487738598
-14.006756065718395
-17.328684160605757
-19.539580943104376
-22.861509037991738
-25.65736832121151

L 		-1.0
-3.321928094887362
-6.058893689053569
-8.795859283219775
-10.947862376664826
-14.006756065718395
-16.480687254050807
-19.539580943104376
-22.013512131436787
-24.4874433197692

最佳状态序列:HHHLLLLLL

计算过程:

O2: H->H= -1.7369655941662063(H->G) +-1(T: HH) +-2.7369655941662066(H, 0) ==>-5.473931188332413

O2: L->H= -1.7369655941662063(H->G) +-1.3219280948873622(T: LH) +-3.321928094887362(L, 0) ==>-6.380821783940931

O2: H->L= -2.321928094887362(L->G) +-1(T: HL) +-2.7369655941662066(H, 0) ==>-6.058893689053569

O2: L->L= -2.321928094887362(L->G) +-0.7369655941662062(T: LL) +-3.321928094887362(L, 0) ==>-6.380821783940931

最佳: H

O3: H->H= -1.7369655941662063(H->C) +-1(T: HH) +-5.473931188332413(H, 1) ==>-8.210896782498619

O3: L->H= -1.7369655941662063(H->C) +-1.3219280948873622(T: LH) +-6.058893689053569(L, 1) ==>-9.117787378107138

O3: H->L= -2.321928094887362(L->C) +-1(T: HL) +-5.473931188332413(H, 1) ==>-8.795859283219775

O3: L->L= -2.321928094887362(L->C) +-0.7369655941662062(T: LL) +-6.058893689053569(L, 1) ==>-9.117787378107138

最佳: H

O4: H->H= -2.321928094887362(H->A) +-1(T: HH) +-8.210896782498619(H, 2) ==>-11.53282487738598

O4: L->H= -2.321928094887362(H->A) +-1.3219280948873622(T: LH) +-8.795859283219775(L, 2) ==>-12.4397154729945

O4: H->L= -1.7369655941662063(L->A) +-1(T: HL) +-8.210896782498619(H, 2) ==>-10.947862376664826

O4: L->L= -1.7369655941662063(L->A) +-0.7369655941662062(T: LL) +-8.795859283219775(L, 2) ==>-11.269790471552188

最佳: L

O5: H->H= -1.7369655941662063(H->C) +-1(T: HH) +-11.53282487738598(H, 3) ==>-14.269790471552188

O5: L->H= -1.7369655941662063(H->C) +-1.3219280948873622(T: LH) +-10.947862376664826(L, 3) ==>-14.006756065718395

O5: H->L= -2.321928094887362(L->C) +-1(T: HL) +-11.53282487738598(H, 3) ==>-14.854752972273342

O5: L->L= -2.321928094887362(L->C) +-0.7369655941662062(T: LL) +-10.947862376664826(L, 3) ==>-14.006756065718395

最佳: L

O6: H->H= -2.321928094887362(H->T) +-1(T: HH) +-14.006756065718395(H, 4) ==>-17.328684160605757

O6: L->H= -2.321928094887362(H->T) +-1.3219280948873622(T: LH) +-14.006756065718395(L, 4) ==>-17.65061225549312

O6: H->L= -1.7369655941662063(L->T) +-1(T: HL) +-14.006756065718395(H, 4) ==>-16.743721659884603

O6: L->L= -1.7369655941662063(L->T) +-0.7369655941662062(T: LL) +-14.006756065718395(L, 4) ==>-16.480687254050807

最佳: L

O7: H->H= -1.7369655941662063(H->G) +-1(T: HH) +-17.328684160605757(H, 5) ==>-20.065649754771965

O7: L->H= -1.7369655941662063(H->G) +-1.3219280948873622(T: LH) +-16.480687254050807(L, 5) ==>-19.539580943104376

O7: H->L= -2.321928094887362(L->G) +-1(T: HL) +-17.328684160605757(H, 5) ==>-20.65061225549312

O7: L->L= -2.321928094887362(L->G) +-0.7369655941662062(T: LL) +-16.480687254050807(L, 5) ==>-19.539580943104376

最佳: L

O8: H->H= -2.321928094887362(H->A) +-1(T: HH) +-19.539580943104376(H, 6) ==>-22.861509037991738

O8: L->H= -2.321928094887362(H->A) +-1.3219280948873622(T: LH) +-19.539580943104376(L, 6) ==>-23.1834371328791

O8: H->L= -1.7369655941662063(L->A) +-1(T: HL) +-19.539580943104376(H, 6) ==>-22.276546537270583

O8: L->L= -1.7369655941662063(L->A) +-0.7369655941662062(T: LL) +-19.539580943104376(L, 6) ==>-22.013512131436787

最佳: L

O9: H->H= -2.321928094887362(H->A) +-1(T: HH) +-22.861509037991738(H, 7) ==>-26.1834371328791

O9: L->H= -2.321928094887362(H->A) +-1.3219280948873622(T: LH) +-22.013512131436787(L, 7) ==>-25.65736832121151

O9: H->L= -1.7369655941662063(L->A) +-1(T: HL) +-22.861509037991738(H, 7) ==>-25.598474632157945

O9: L->L= -1.7369655941662063(L->A) +-0.7369655941662062(T: LL) +-22.013512131436787(L, 7) ==>-24.4874433197692

最佳: L

时间： 2024-12-16 03:40:35

让你真正理解HMM(Hidden Markov Model)的算法演示程序的相关文章

隐马尔科夫模型 HMM(Hidden Markov Model)

本科阶段学了三四遍的HMM,机器学习课,自然语言处理课,中文信息处理课:如今学研究生的自然语言处理,又碰见了这个老熟人: 虽多次碰到,但总觉得一知半解,对其了解不够全面,借着这次的机会,我想要直接搞定这个大名鼎鼎的模型,也省着之后遇到再费心. Outline 模型引入与背景介绍 从概率图讲起 贝叶斯网络.马尔科夫模型.马尔科夫过程.马尔科夫网络.条件随机场 HMM的形式化表示 Markov Model的形式化表示 HMM的形式化表示 HMM的两个基本假设 HMM的三个基本问题 Evalution

隐马尔可夫模型 (Hidden Markov Model，HMM) 转

隐马尔可夫模型 (Hidden Markov Model,HMM) 最初由 L. E. Baum 和其它一些学者发表在一系列的统计学论文中,随后在语言识别,自然语言处理以及生物信息等领域体现了很大的价值.平时,经常能接触到涉及 HMM 的相关文章,一直没有仔细研究过,都是蜻蜓点水,因此,想花一点时间梳理下,加深理解,在此特别感谢 52nlp 对 HMM 的详细介绍. 考 虑下面交通灯的例子,一个序列可能是红-红/橙-绿-橙-红.这个序列可以画成一个状态机,不同的状态按照这个状态机互相交替,每一个

隐马尔可夫模型（Hidden Markov Model，HMM）

介绍 崔晓源 翻译 我们通常都习惯寻找一个事物在一段时间里的变化规律.在很多领域我们都希望找到这个规律,比如计算机中的指令顺序,句子中的词顺序和语音中的词顺序等等.一个最适用的例子就是天气的预测. 首先,本文会介绍声称概率模式的系统,用来预测天气的变化 然后,我们会分析这样一个系统,我们希望预测的状态是隐藏在表象之后的,并不是我们观察到的现象.比如,我们会根据观察到的植物海藻的表象来预测天气的状态变化. 最后,我们会利用已经建立的模型解决一些实际的问题,比如根据一些列海藻的观察记录,分析出这几天

理论沉淀：隐马尔可夫模型（Hidden Markov Model, HMM）

理论沉淀:隐马尔可夫模型(Hidden Markov Model, HMM) 参考链接:http://www.zhihu.com/question/20962240 参考链接:http://blog.csdn.net/ppn029012/article/details/8923501 本博文链接:http://www.cnblogs.com/dzyBK/p/5011727.html 1 题设 假设有n个骰子(从1~n编号),每个骰子有m面,每面标有一个数字且不重复,数字取值限制在[1,m].(1

NLP —— 图模型（一）隐马尔可夫模型（Hidden Markov model，HMM）

本文简单整理了以下内容: (一)贝叶斯网(Bayesian networks,有向图模型)简单回顾 (二)隐马尔可夫模型(Hidden Markov model,HMM) 写着写着还是写成了很规整的样子,因为比较常用的例子比如掷骰子.天气变化什么的都觉得太toy.以后会修改. (一)贝叶斯网简单回顾 图模型(PGM)根据边是否有向,可以分为有向图模型和无向图模型. 待补充-- (二)隐马尔可夫模型 隐马尔可夫模型(Hidden Markov model,HMM)属于生成式模型,被广泛用于序列标注

Hidden Markov Model

Markov Chain 马尔科夫链(Markov chain)是一个具有马氏性的随机过程,其时间和状态参数都是离散的.马尔科夫链可用于描述系统在状态空间中的各种状态之间的转移情况,其中下一个状态仅依赖于当前状态.因为系统是随机变化的,所以不可能百分百预测出未来某个时刻的系统状态,但是我们可以预测出未来时刻系统处在某个状态的概率. 下面我们从实际生活中的天气预测问题入手解析马尔科夫链.现将天气的状态粗分为三种:1-雨雪天气.2-多云.3-天晴.假设明天的天气情况仅和今天的天气有关,根据大量的气象

Markov Model and Hidden Markov Model 简介和学习线路

Markov Model 马尔科夫模型是用来描述序列的性质的,在马尔科夫模型中有两个假设. 1. 在序列中,当前时刻状态只依赖于前一时刻的状态,也就是P(z(t)|z(t-1), z(t-2), ..., z(1), z(0)) = P(z(t)|z(t-1)). 2. 状态转移的分布不随时间的改变而改变,也就是说任意时刻下的状态产生与时间无关,仅仅与前一状态有关. 马尔科夫模型中的状态转移情况我们可以用一个矩阵表示,那么第i行j列的元素表示从状态i转移到j的概率,当然矩阵中的元素需要满足概率的

[Math] Hidden Markov Model

链接:https://www.zhihu.com/question/20962240/answer/33438846 霍金曾经说过,你多写一个公式,就会少一半的读者. 还是用最经典的例子,掷骰子.假设我手里有三个不同的骰子. &amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;lt;img src="https://pic4.zhimg.com/435fb8d2d675dc0be95aedf27feb6

Hidden Markov Model Toolbox for Matlab

官网:http://www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html Download Click here. Unziping creates a directory called HMMall, which contains 4 subdirectories. Installation Assuming you unzip it to C:/HMMall... >> addpath(genpath('C:/HMMall')) >> tes