HMM的一些细节问题

      这段时间老师让大家讨论一下HMM，希望大家对这些基础理论有一些了解，刚好准备在这里写一点自己的东西，那就从这个HMM开始吧。

      以前在很多论文上都看到过利用HMM来解决一些实际问题，虽然这些在很大程度上都只是为了给文章增加一个光环，我自己却很少关注HMM的基础理论，最近认真看了一下，也算响应老师的号召，同时给自己增加一些理论积累。在这里不会写太多，因为可以看的HMM得资料很多，而且讲得很详细。为了完整性，我还是大概写一下我对HMM整个过程的理解。

      HMM本身是一个生成模型的建立问题，建立后才是利用HMM模型进行分类识别等工作。HMM有一个三元组（pi,A,B）组成，分别表示状态初始概率，状态转移概率矩阵和混淆矩阵。在实际应用中分为三类问题，估值、解码和学习。这些问题的关键是前向算法和后向算法，也就是说求出了Alpha和Beta矩阵，下面的事情都好解决了。简单地说，估值问题就是求Alpha的问题，解码的问题就是在Alpha矩阵中寻找一条最大权重的路径问题，学习问题就是用EM算法通过不断迭代计算Alpha和Beta矩阵直到收敛的问题（貌似有人提出过新的学习算法，这里暂且不管）。

      HMM本身是很简单的思想，还是比较容易懂的，下面我只是写下一些我在了解过程中的细节问题。这些问题可能我自己还没有完全解答，如果可以的话，在以后知道确切的答案后作一个补充。

      1、边缘问题。不同的资料对状态的定义是不尽相同的，有的资料对隐状态定义了一个最终状态，而有的没有定义，虽然意义基本上是一样的，但是在使用的时候如果不根据意思写出相应的公式，就会产生一个边缘问题