隐马尔科夫模型（HMM）与最大熵马尔科夫模型（MEMM）区别

HMM简述

以骰子为例：

• 骰子的种类数 ——> 隐含状态数量
• 每种骰子是什么 ——> 转换概率
• 掷骰子的结果 ——> 观察状态序列
• 每次所掷的骰子 ——> 隐含状态序列

HMM参数：

• 隐含状态转移概率矩阵A
• 观测状态转移概率矩阵B
• 初始状态矩阵$\pi$
• 隐含状态序列S
• 观测状态序列O

两个假设：

• 齐次马尔科夫假设。又叫一阶马尔科夫假设，即任意时刻的状态只依赖前一时刻的状态，与其他时刻无关。
  

• 观测独立性假设。任意时刻的观测只依赖于该时刻的状态，与其他状态无关。
  

三个问题：

• 评估问题（前向算法）：
  已知观测序列$O=(O_1,O_2,O_3,\dots ,O_t)$和HMM模型参数λ=$(A,B,\pi )$，计算得到观测序列的概率，如果存在多个HMM模型，求得的概率最大的就是最佳模型，所以是评估问题。
• 解码问题（Viterbi算法）：
  已知观测序列$O=($