隐马尔可夫模型（一）

马尔可夫模型
假设几个月大的宝宝，每天只干三件事：玩（兴奋状态）、吃（饥饿状态）、睡（困倦状态），这三件事按照下图所示方向转移：

天气预测中，如果我们知道“晴天，多云，雨天”之间的转换概率。如果今天是晴天，我们就可以推断出明天是各种天气的概率，接着后天的天气可以由明天的进行计算。这类题可以用Markav模型来描述。

隐马尔可夫模型
如果我们并不知道今天的天气属于什么情况，我们只知道今明后三天的水藻的干燥湿润状态，因为水藻的状态和天气有关，我们想要通过水藻来预测这三天的真正天气会是什么，这个时候就用Hidden Markav模型来描述。

也就是我们所希望推算的东西不能直接观测到，而是根据另一种可观测的东西去推算真正想要推算的东西。

**隐马尔可夫模型(HMM)**是结构最简单的动态贝叶斯网络，它是一种有向图模型，一般会用在时序数据模型、自然语言处理、语音识别。

隐马尔可夫模型五元组
观测序列——O（可以理解为水藻的状态）
状态序列——I（可以理解为天气序列）
初始状态转移向量——π
状态转移概率矩阵——A
观测概率矩阵——B

隐马尔可夫模型三要素
初始状态转移向量——π
状态转移概率矩阵——A
观测概率矩阵——B