2021-04-22

隐马尔可夫模型

隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。

存在一类重要的随机过程：如果一个系统有 $\mathrm{N}$ 个状态 $S_1,S_2,S_3..S_N$ 随着时间的推移，该系统 从某一状态转移到另一状态。如果用 $q_t$ 表示系统在时间 $\mathrm{t}$ 的状态变量，那么 $\mathrm{t}$ 时刻的状态取值为 $S_j(1<=\mathrm{j}<=\mathrm{N})$ 的概率取决于前 $\mathrm{t}-1$ 个时刻 $(1,2,\dots ,\mathrm{t}-1)$ 的状态, 该概率为 :
$p\left(q_t=S_j\mid q_{t-1}=S_i,q_{t-2}=S_k,\cdots \right)$

1. 假设一：如果在特定情况下，系统在时间 $\mathbf{t}$ 的状态只与其在吋间 $\mathrm{t}-1$ 的状态相关，则该系统构 成一个离散的一阶马尔可夫链：
   $p\left(q_t=S_j\mid q_{t-1}=S_i,q_{t-2}=S_k,\cdots \right)=p\left(q_t=S_j\mid q_{t-1}=S_i\right)$
2. ${}^{\star \star }$ 假设二：*如果只考虑独立于时间 $\mathrm{t}$ 的随机过程，状态与时间无关，那么 $p\left(q_t=S_j\mid q_{t-1}=S_i\right)=a_{ij},1\le i,j\le N$ 即： $\mathrm{t}$ 时刻状态的概率取决于前 $\mathrm{t}-1$ 个时
   刻 $(1,2,\dots ,\mathrm{t}-1)$ 的状态,且状态的转换与时间无关，则该随机过程就是马尔可夫模型。