HMM前向-后向算法

首先通过计算以下给定的HMM模型中，求出三天观察是(Dizzy,Cold,Normal)的概率是多少来感受HMM的计算过程。

上图HMM模型的参数对应如下形式：

trainsition_probability = [[0.7,0.3],[0.4,0.6]]转移矩阵     
emission_probability = [[0.5,0.4,0.1],[0.1,0.3,0.6]]发射矩阵    
pi = [0.6,0.4]初始化概率

通常在计算的过程中就能感受到，我们是通过递推的方法进行计算，而非采用暴力法求解。也即我们无意中就使用了HMM的前向算法。但我们还是分析下暴力算法的计算复杂度。假设状态值是N个，观察值是K个，总共观察长度为T。则使用暴力法求解的过程是：枚举出所有T长度的所有状态转移序列，计算每个序列产生指定观测序列的概率，累加。计算复杂度约为：$N^T\ast T$。
计算复杂度太高，这我们忍不了！上高级算法！

前向算法

先给出定义：

前向概率：给定隐马科夫模型$\lambda$，定义到时刻t为止的观测序列为$o_1,o_2,o_3,...o_t$ ,且状态为$q_i$的概率为前向概率，记作
${\alpha }_t\left(i\right)=P\left(o_1,o_2,o_3,...o_t,i_t=q_i|\lambda \right)$