机器学习之隐马尔科夫模型

一、隐马尔科夫模型

隐马尔科夫模型定义：
隐马尔科夫模型随机生成的状态随机序列，称为状态序列；每个状态生成一个观测，由此产生的观测随机序列，称为观测序列；
HMM是关于时序的概率模型，描述由一个隐藏的马尔科夫链生成不可观测的状态随机序列，再由各个状态生成观测随机序列的过程；
隐马尔科夫模型(HMM, Hidden Markov Model)可用标注问题，在语音识别、NLP、生物信息、模式识别等领域被实践证明是有效的算法。
HMM确定：
HMM由初始概率分布π、状态转移概率分布A以及观测概率分布B确定：

HMM的参数：



HMM由初始概率分布π(向量)、状态转移概率分布A(矩阵)以及观测概率分布B(矩阵)确
定。π和A决定状态序列，B决定观测序列。因此，HMM可以用三元符号表示，称为HMM的三要素；
HMM基本性质：

二、HMM相关问题和算法

HMM基本问题：

直接计算方法：


直接计算分析：

前向/后向概率定义：

前向算法：


后向算法：


后向算法的说明：

单个状态的概率定义：

单个状态的概率计算：

γ的意义：