人人都能看懂的隐马尔可夫模型 HMM 解析

尽量以最少的符号去诠释模型，对公式推导的每个步骤也会详细解读，因为是按自己的思路理解的，所以符号应用上会与网上常见教程有出入。

一、定义模型

一个隐马尔可夫模型（Hidden Markov Model, HMM）包含以下概念和参数：

1. 按一定概率生成不可观测的隐含状态序列 H 链；
2. 由各个隐含状态生成一个可观测结果序列 V 链；
3. H 之间存在一个状态转换概率函数矩阵 A；
4. H 到 V 存在一个映射概率函数矩阵 B；
5. H 的初始状态生成概率变量 C；
6. S 为所有隐含状态的集合，有 n 种可能的状态；
7. R 为所有可观测结果的集合，有 m 种可能的结果；

下图为包含以上参数的可视化模型：

用实际的例子套用的话，可以用自然语言处理里的词性标注做例子，这也是 HMM 比较常见的应用。

在词性标注中，把实际词语序列（一个句子）看作 V 链，把对应的词性标注序列看作 H 链。

比如

I watched the play last night.

是一条 V 链，对应的 H 链即为：
（代词-动词-限定词-名词-形容词-名词）

c(x1) 即为 “代词出现的概率”；
b(x1y1) 即为 “在出现代词的情况下，出现单词 ‘I’ 的概率”；
a(x1x2) 即为 “在出现代词的情况下，下一个出现的单词为动词的概率”；

在没给定句子的原始模型中，x 和 y 都是变量，分别有 n 种和 m 种可能。

---

另外，HMM 有以下几个约束条件：

1. 根据马尔可夫性假设：H 链在任一时刻 t 的状态只依赖于其前一个时刻的状态。可得 a 之间没有依赖关系。

2. 根据观测独立