隐马尔科夫模型的相关知识点

建议看李航的 统计学习方法，关于前向和 后向算法讲得很清楚

复习隐马尔科夫模型：

关联知识点：

卡尔曼滤波算法（马尔科夫的思想类似于卡尔曼，隐变量一个离散 一个 连续而已）

高斯噪声：参考https://blog.csdn.net/u013007900/article/details/78181249/

https://www.cnblogs.com/wangguchangqing/p/6407717.html

https://www.cnblogs.com/xiaojianliu/p/9075872.html

关键的是这三个图，高斯噪声在灰度图像二维信号中的意思就是每个像素点的噪声灰度值的分布服从二维高斯分布，如图一的峰图所示，z轴就是噪声灰度值。再以二维像素点的形式来展示就来到了图二，坐标值是x,y  中心为(0,0)即二维平面的原点，再以坐标值计算每一个像素点的灰度值。这样算出来是一般是小数，进行归一化之后（以左上角的值为1为基准）得到图三的形式，这样很好理解了。 有了预估的噪声值之后的步骤就是 对图像（灰度图像或 三通道图像）  进行滤波（卷积过程）了。

 线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。（如图四）

（卷积和协相关的差别是，卷积需要先对滤波矩阵进行180的翻转，但如果矩阵是对称的，那么两者就没有什么差别了。）

卷积为什么要旋转180度？ 参考https://my.oschina.net/datadev/blog/1859197   重要观点是：

信号的输出不仅与当前时刻的输入有关，也跟之前若干时刻的输入有关，所以输出的信号是一个加权叠加。  所以f(t)*g(n-t) n就是指当前时刻

隐马尔科夫模型：https://www.cnblogs.com/fulcra/p/11065474.html   基本上是一个概率问题

j隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。

是在被建模的系统被认为是一个马尔可夫过程与未观测到的（隐藏的）的状态的统计马尔可夫模型。