通过丢硬币的案例理解HMM所解决的问题

我们可以coin tossing（扔硬币）的例子来讲解HMM相关的下列问题：

1. 计算likelihood
2. 找出最优tag
3. 计算/学习模型参数

假设我们有2枚硬币，这两枚硬币与普通硬币不一样，他们扔出上面或反面的概率，并不是0.5。有可能是P(正)=0.7, P(负)=0.3，也有可能P(正)=0.4, P(负)=0.6，不过暂时我们都是不知道的。这个概率B我们可称之为Emission Probability。
然后有一个人，每次会依靠一定的规则从中拿出一枚硬币进行扔硬币的操作，这个规则也是确定的，比如符合以下概率：

	1	2
1	0.7	0.3
2	0.2	0.8

纵轴表示当前扔的硬币，横轴表示下一次扔的硬币，例如 如果这次他扔了硬币1，那么他下次扔硬币1的概率为0.7，扔硬币2的概率为0.3。当然以上也只是假设，具体概率我们也不知道。我们可将该概率矩阵A称之为Transition Matrix。
然后文章开头的三个问题，我们可以转换成：

1. 找出某种扔硬币方法的概率，例如P(y=正正正负负正|x)=?
2. 找出可能性最大的扔硬币的方法
3. 求出A、B