【机器学习】隐马尔可夫模型及其三个基本问题（一）

隐马尔可夫模型（Hidden Markov Model，HMM）是一种重要的有向图模型，使用隐马尔可夫模型的问题一般需要两个特征（ 参考资料1）：（1）问题是基于时间序列或状态序列的。（2）问题中有两种数据，一种是观测序列，即我们能够观测到的序列；一种是状态序列，即隐藏的、不可被观测的但决定对应的观测值的序列。

HMM模型

1、HMM模型概述

假设系统在$N$个状态之间切换，状态空间为 Q = { q 1 , q 2 , ⋯   , q N } Q = \left\{ { {q_1},{q_2}, \cdots ,{q_N}} \right\} Q={ q1​,q2​,⋯,qN​}。
观测值的可能取值有$M$个，其集合为 V = { v 1 , v 2 , ⋯   , v M } V = \left\{ { {v_1},{v_2}, \cdots ,{v_M}} \right\} V={ v1​,v2​,⋯,vM​}。
目前有一组长度为$n$的状态序列 Y = { y 1 , y 2 , ⋯   , y n } Y = \left\{ { {y_1},{y_2}, \cdots ,{y_n}} \right\} Y={ y1​,y2​,⋯,yn​}。
对应的观测序列为 X = { x 1 , x 2 , ⋯   , x n } X = \left\{ { {x_1},{x_2}, \cdots ,{x_n}} \right\} X={ x1​,x2​,⋯,xn​}。
其中任意一个观测值$x_t\in V$，任意一个状态值$y_t\in Q$。为了简化模型，HMM做出两个假设：一个是观测值$x_t$由对应的状态值$y_t$确定，另一个是$t$时刻的状态值$y_t$仅依赖于$t-1$时刻的状态值$y_{t-1}$