隐马尔可夫模型(HMM)

1、基本概念

隐马尔可夫模型（Hidden Markov Model，HMM）描述由隐藏的马尔可夫链随机生成观测序列的过程，属于生成模型。
HMM是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列（状态序列），再由各个状态生成一个观测而产生的观测随机序列（观测序列）的过程。

2、隐马尔可夫模型的三个基本问题

(1) 概率计算问题。给定模型λ=(A,B,π)和观测序列О= (01,02,… ,oT)，计算在模型λ下观测序列O出现的概率P(O|A)。
(2) 学习问题。已知观测序列О= (o1, o2, … , oT)，估计模型λ=(A,B,π)参数，使得在该模型下观测序列概率P(O|λ)最大。即用极大似然估计的方法估计参数。
(3) 预测问题，也称为解码(decoding）问题。已知模型λ=(A,B,π)和观测序列O =(o1,o2,… , oT)，求对给定观测序列条件概率P(I|O)最大的状态序列Ⅰ =(i1,i2,:… , iT)。即给定观测序列，求最有可能的对应的状态序列。(可进行分词)

A是隐藏状态转移概率的矩阵，B是观测状态生成概率的矩阵，π是隐藏状态的初始概率分布。
假设1(齐次马尔科夫性假设):当前状态只依赖于前一个状态。即假设隐藏的马尔科夫链在任意时刻t的状态只依赖于其前一时刻的状态，与其他时刻的状态及观测无关，也与时刻t无关；
假设2(观测独立性假设):即假设任意时刻的观测只依赖于该时刻的马尔科夫链的状态，与其他观测即状态无关。（观测值只与当前状态有关）
(1) 概率计算问题