matlab/model_log_likelihood.m

   1 % To compute log likelihood of the model for the given observation\r
   2 % To prevent underflow, we need to do some tricks\r
   3 \r
   4 function likelihood = model_log_likelihood(observation, model)\r
   5 likelihood = 0;\r
   6 likelihood_vect = zeros(model.num_mcs, 1);\r
   7 for i=1:model.num_mcs\r
   8     likelihood_vect(i) = log(model.priors(i)) + chain_log_likelihood(observation, model.chain(i));\r
   9 end\r
  10 likelihood_vect;\r
  11 \r
  12 % Get the max element in this vector\r
  13 max_chain_log_likelihood = max(likelihood_vect);\r
  14 \r
  15 % Now subtract this max likelihood from each log_likelihood\r
  16 % Now take each the exp of each element.  Sum over the vector, take the\r
  17 % log, and add the max_chain_log_likelihood.\r
  18 likelihood_vect = exp(likelihood_vect - max_chain_log_likelihood);\r
  19 likelihood = max_chain_log_likelihood + log(sum(likelihood_vect));\r
  20 \r
  21 % The likelihood of the observation for a single Markov Chain\r
  22 %function likelihood = chain_likelihood(observation, mc)\r
  23 %ikelihood = mc.t(observation(1));\r
  24 %for i=2:size(observation, 2)\r
  25 %    likelihood = likelihood * mc.T(observation(i-1), observation(i));\r
  26 %end