HMM

隐马尔可夫模型

隐马尔可夫模型是一种统计模型，在语音识别、行为识别、NLP/故障诊断中有应用。
HMM是关于时序的概率模型，有一个未知参数的马尔科夫链生成的不可观测的状态随机序列，还有有各个状态生成的观测随机序列。
就是两条随机链，一条是有一定状态的隐马尔可夫链、还有一条随机的感测序列。

HMM中包含有三个概率，1初始状态概率就是序列头部的概率2状态转移概率，就是第n个马尔科夫链元素根据第n-1 个得到的概率3 输出观测概率，就是由某个隐藏的状态，输出的的什么的概率。

HMM分词实战

HMM 在分词时候的三个概率计算 首先只有四种情况 为B M E S
1初始概率矩阵
统计句子开头第一个词 为B或者S 的个数 然后除以总的句子数，就得到了初始打概率矩阵
2 状态转移矩阵，通过统计 例如n-1 为B n时候为E 的次数，得到 4*4 的矩阵,再把矩阵的每个元素除以 语料中 这个字 的总个数，就可以得到状态转移矩阵。所有的公用一个 4X4矩阵。
3 输出观测矩阵
统计某个状态输出为某个感测状态的个数，例如为B 标记时候，观测为 “深”的 次数。得到4XN的矩阵，然后把每个元素除以该标记B的个数，得到了输出观测矩阵。
维特比 算法 是对对每个 t时刻的 状态概率进行计算，然后得到最高的，进行反向推算，认为最高的那条链 ，为最终的结果。

维特比算法

马尔科夫性质就是