隐马尔可夫模型解释（转移矩阵，发射矩阵，初始概率）

1.隐马尔可夫模型详解
2. 简析EM算法（最大期望算法）
3. 悉尼科技大学徐亦达课程。
4. Python实现HMM（隐马尔可夫模型） 以下基础知识来源于该链接。
5. HMM的一些基础知识：
Xi是观测值，以上是一个观测值序列；如果观测值x的状态非常多（特别极端的情况是连续数据），转换函数会变成一个非常大的矩阵，如果x的状态有K个，那么转换函数就会是一个K*(K-1)个参数，而且对于连续变量观测值更是困难。
为了降低马尔科夫链的转换函数的参数量，我们引入了一个包含较少状态的隐状态值，将观测值的马尔科夫链转换为隐状态的马尔科夫链（即为隐马尔科夫链HMM）

其包含了一个重要假设：当前观测值只由当前隐状态所决定。这么做的一个重要好处是，隐状态值的状态远小于观测值的状态，因此隐藏状态的转换函数 的参数更少。
此时我们要决定的问题是：
即在所有可能隐藏状态序列情况下，求使得序列 发生概率最大的函数参数 。
隐马尔科夫链HMM三个重要假设：

1. 当前观测值只由当前隐藏状态确定，而与其他隐藏状态或观测值无关（隐藏状态假设）
2. 当前隐藏状态由其前一个隐藏状态决定（一阶马尔科夫假设）
3. 隐藏状态之间的转换函数概率不随时间变化（转换函数稳定性假设）

隐马尔科夫链HMM所要解决的问题：
在所有可能隐藏状态序列情况下，求使得当前序列X产生概率最大的函数参数θ。

代码⬅️?️