隐马尔可夫模型

马尔可夫模型

对于某个系统包含了n个有限状态，某个状态随着时刻推移而转移到另一个状态。如果t时刻的状态与前面m个时刻相关，那么称为m阶马尔可夫链。马尔可夫过程是个随机过程，系统从一个状态转移到另一个状态存在转移概率，而转移概率可以通过前面m个时刻的状态来计算。马尔可夫过程是随机过程的典型代表，随机过程是指一个系统的状态随着时间随机的变化。这种模型可以计算出系统每一时刻处于各种状态之间的转移概率。

隐马尔可夫模型

马尔可夫模型能够处理直接观测的序列的概率问题，通过马尔可夫假设可以建立马尔可夫链，从而解决一些序列问题。但有时候观测的对象并不是我们待处理的目标对象，它的规律隐含在观测对象中，观测的事件和隐含事件存在一定的相关关系，这时候就要用到隐马尔可夫模型(HMM)。HMM是关于时序的概率模型，描述由一个隐含的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。隐含的马尔可夫链生成的状态的序列，叫做状态序列（不可见的），每个状态生成一个观测，而由此产生的观测的随机序列，叫做观测序列（可见的），序列的每个位置又可以看作是一个时刻。HMM是用来描述含有未知参数的马尔可夫过程。其难点是从观测的参数中确定该过程的隐含参数。

实际上隐马尔可夫模型是一个双重随机过程，过程中包括状态序列和观测序列，第一重随机过程是状态随机转移生成状态序列，第二重随机过程是状态序列随机转移生成观测序列。

HMM的假设：

1、齐次马尔可夫性假设，即任意时刻t的状态只依赖于前一个时刻的状态，与其他时刻的状态及观测序列无关。

2、观测独立性假设，即任意时刻t的观测只依赖于该时刻状态，与其他时刻的观测和状态序列无关。

3、不动性假设，即状态与具体的时间无关。

隐马尔可夫模型可用于标注问题的统计模型，描述由隐藏的马尔可夫链随机生成观测序列的过程，属于生成模型。隐马尔科夫模型在语音识别、自然语言处理、生物信息、模式识别等领域有着广泛的应用。

隐马尔可夫模型是一种概率图模型，用于解决序列预测问题。概率图模型，是指用图为相互依赖的一组随机变量进行建模，图的顶点是随机变量，边是变量之间概率关系。