隐马尔可夫模型 (Hidden Markov Model，HMM)理解

隐马尔可夫模型 (Hidden Markov Model，HMM) 最初由 L. E. Baum 和其它一些学者发表在一系列的统计学论文中，随后在语音识别，自然语言处理以及生物信息等领域体现了很大的价值。到目前为止，它一直被认为是实现快速精确的语音识别系统的系统，自然语言处理过程的最成功的方法。

1.   HMM引入                 

          隐马尔可夫模型(HMM)是一个输出符号序列统计模型，具有T个状态X1,X2.......Xt-1,它按一定的周期从一个状态转移到另一个状态，每次转移时，输出一个符号（观测值）。转移到哪一个状态，转移时输出什么符号，分别由状态转移概率和转移时输出概率来决定。因为只能观测到输出符号的序列，而不能观测待状态转移序列（即模型的观测序列是通过哪个状态路径是不知道的）所以称为隐马尔可夫模型。

          下面是一个简单的例子。气象学上，可通过年轮的宽窄了解各年的气候状况，利用年轮上的信息可推测出几千年来的气候变迁情况。年轮宽表示那年光照充足，风调雨顺；若年轮较窄，则表示那年温度低、雨量少，气候恶劣。            为了简单起见，我们只考虑冷(code)，热(hot)两种温度。根据现代的气象知识可以知道，“冷”的一年跟着下一年为热的概率为0.4，为冷的概率为0.6；“热”的一年跟着下一年为热的概率为0.7，为冷的概率为0.3。可以简单的归纳为下面规律：

我们将树的年轮简单分为小(small),中(middle),大(large)三种，或者分别写成S,M,L。根据现代的气象知识可以知道，热的一年树木年轮为“小”，“中”，“大”的概率分别为0.1,0.4,0.5；冷的一年树木年轮为“小”，“中”，“大”的概率分别为0.7,0.2,0.1。因此，冷(C)，热(H)对年轮的影响可以简单归纳为下面规律：

         在这个系统中，状态序列是每年的温度--H 或者 C。因为下一年的温度只与上一年有关，所以从一个状态(温度)转移到下一个状态(温度)可以看成是一个一阶Markov process。因为无法观测过去的温度，状态序列也被称为隐藏状态。尽管我们不能观测过去的状态(温度)序列，但是可以通过树的年轮给我们提供的信息预测温度。我们的目标就是充分利用可观测的年轮序列，来预测那些年的温度序列情况（Markov 过程）。从上面规律可以得到，

状态转移矩阵A:

观测矩阵B: