隐马尔可夫模型-day1

隐马尔可夫模型

隐马尔可夫模型，英文简称HMM。笔者在学生生涯中并没有学过，笔者之前是搞聚类分析，但也经常耳闻，实验室中，自然语言处理、图像分割等同学经常使用HMM。最近抽点空，学习一下HMM。这里，笔者用通俗的语言介绍下HMM。

HMM是一个与时序有关的概率模型，是可用于标注的统计学习模型，主要内容是关于一个隐藏的马尔可夫模型随机生成一个不可观测的状态随机序列，而观测序列则是由相应的状态生成的观测随机序列。

HMM主要由初始概率分布、状态转移概率分布和观测概率分布构成。这就构成HMM三要素，因此HMM可用三要素直接表示出来。λ代表HMM模型，A代表状态转移概率矩阵，B代表观测概率矩阵，π代表初始概率向量。因此：。

其中：aij，通俗来讲，就是在i状态下，向j状态（包括自身）转移的概率，i和j都在N中。，通俗来讲，就是在j状态下生成k的概率。

HMM有两个假设，同样很好理解：

1. 齐次马尔可夫性假设，t状态下的只与前一时刻的状态有关，与其他状态没有任何关系；
2. 观测独立性，任意时刻的观测只与当前时刻的状态有关，与其他状态及观测没有任何关系。

观测序列生成过程：通过HMM，根据初始概率分布和状态分布，不断生成下一时刻的状态，然后根据状态生成观测序列。