隐马尔可夫模型的基本概念

隐马尔可夫模型是可用于标注问题的统计学习模型。该模型在语音识别、自然语言处理、生物信息、模式识别等领域有着广泛的应用。

基本概念

定义：

隐马尔可夫模型是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。

Q是所有可能的状态的集合，V是所有可能的观测的集合.
$Q=\{q_1,...,q_N\},V==\{v_1,...,v_M\}$
其中，N是可能的状态数，M是可能的观测数

I是长度为T的状态序列，O是对应的观测序列.
$I=(i_1,...,i_T),O=(o_1,...,o_T)$

A是状态转移矩阵：
$A=[a_{ij}]_{N\times N}$

其中，$a_{ij}=P(i_{t+1}=q_j|i_t=q_i) , \,\,\,\,\,\,\,\, i=1,...,N;j=1,...,N$
是在时刻t处于状态$q_i$的条件下在时刻t+1转移到状态$q_j$的概率

B是观测概率矩阵：
$B=[b_j(k)]_{N\times M}$
其中，
$b_j(k)=P(o_t=v_k|i_t=q_j)，\,\,\,\,\,\,\,\, k=1,...,M;j=1,...,N$
是在时刻t处于状态q_j的条件下生成观测$v_k$的概率.

π是初始状态概率向量:
$\pi=(\pi_i)$
其中，
πi=P(i1=qi),