隐马尔可夫模型

一、基本思想

隐马尔可夫模型是基于时序的概率模型，由初始状态概率向量Π、状态转移概率矩阵A和观测概率矩阵B组成。
隐马尔可夫做了两个基本假设：

1. 齐次马尔可夫性假设：任意时刻的状态只与上一时刻的状态有关
2. 观测独立性假设：任意时刻的观测值只与该时刻的状态有关

隐马尔科夫模型主要用来解决三个问题：

1. 概率计算问题：给定模型λ=(Π,A,B)和观察序列O，求在模型λ下观测序列O出现的概率P(O|λ)
2. 学习问题：已知观察序列O，求模型λ的三个参数，使得P(O|λ)最大
3. 预测(解码)问题：给定模型λ=(Π,A,B)和观察序列O，求在给定观察序列O的基础上，最有可能对应的状态序列I，即P(I|O)

二、算法流程

1. 概率计算问题

1）前向算法

其中前向概率${\alpha }_t(i)$表示t时刻产生观察序列$o_1,o_2,o_3...o_t$且t时刻的状态为i的概率。

1. 公式10.15表示状态为i，观察序列为$o_1$的联合概率
2. 公式10.16中[]里面的内容表示状态为i，观测序列为 o 1 , o 2 , o 3 . . . o t o_1,o_2,o_3...o_t o1​,o2​,o