隐马尔可夫python_隐马尔可夫模型原理和python实现

隐马尔可夫模型(Hidden Markov Model，HMM)是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。

隐马尔可夫模型注意包含以下参数：可见状态链，即观测序列，用

表示。

隐含状态链，隐含状态之间存在转换概率(transition probability)，一般用状态转移矩阵A表示。

隐含状态和可见状态之间有一个概率叫做输出概率(emission probability)，一般用输出观测矩阵B表示。

初始状态，描述初始各隐含状态的概率，用

表示

隐马尔可夫模型各参数基本含义和关系

用一个例子来表述隐马尔可夫模型各参数的关系：假设三个盒子

按照如下方式进行取球：(1)开始，从三个盒子取球概率分别为0.2，0.4，0.4

(2)从第二次取球开始，设定，若上次从盒子1取球，则下次从三个盒子取球概率为0.5，0.2，0.3；若从盒子2取球，下次从三个盒子取球概率为0.3，0.5,0.2；若从盒子3，下次概率依次为0.2,0.3, 0.5,

重复三次后，得到球观测序列为{红，白，红}。

根据HMM定义，得到，观察集合：{红，白}

状态集合：{盒子1，盒子2，盒子3}

初始状态 [0.2,0.4,0.4]

状态转移概率矩阵

观测概率矩阵

需要注意观测序列和观测集合是两码事。

HMM求解概率—前向算法

首先说明HMM求观测序列概率的前向后向算法。以前向算法为例。

(1) 计算时刻1的观测为