用于隐马尔可夫模型降阶的递归学习算法

基于摘要分析。本文研究有限状态空间、有限观测空间的隐马尔可夫模型（HMM）降阶，通过聚合或划分隐状态降低模型复杂度，同时以观测过程分布之间的 Kullback–Leibler（KL）散度率最小化为目标，尽量保留原模型的观测统计特征。 核心机制是将最优聚合 HMM 表示为状态空间划分函数的函数，再用递归随机逼近学习算法寻找最优划分。作者指出，该算法可通过 HMM 的单条样本路径实施；作者报告，利用滤波过程的遍历性及标准随机逼近论证建立了算法收敛性。摘要未给出具体更新公式、模型参数的已知条件或收敛结论的适用范围，不能据此断言算法必然达到全局最优。实验协议、消融及统计信息尚未验证，也无法判断降阶后的计算收益与观测分布保真程度。 平台推测（待验证）：若 EEG 时序已被建模为有限状态、有限观测的 HMM，这种聚合机制可能用于压缩隐状态数量，其对应问题是时序模型复杂度，而非直接提升 BCI 解码性能。可复用部分是状态划分目标与递归更新思路；连续 EEG 需要另行处理观测离散化或改造观测模型，并核对训练序列是否满足相关遍历性条件。低信噪比、跨被试或跨会话非平稳性，以及短序列造成的估计不稳定，均可能削弱聚合效果。一个可检验的小实验是在固定被试内训练／测试划分下，对同一 EEG-HMM 比较递归聚合与简单状态合并的测试集观测对数似然、模型规模及推理耗时，再检查任务相关信息是否受损。上述迁移仅为假设，已有 EEG 相关工作尚未检索确认。