隐马尔科夫模型matlab工具箱说明

隐马尔可夫模型（HiddenMarkov 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；是序列数据处理和统计学习的重要模型。其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析。本论文首先从隐马尔可夫模型基本理论和模型的表达式出发，系统的介绍了引马尔科夫模型和算法原理，并结合两个版本的MATLAB算法，对具体问题进行验证求解，并分析比较算法的结果。

一、引言        

隐马尔可夫模型（Hidden Markov Model，HMM）作为一种统计分析模型，创立于20世纪70年代。80年代得到了传播和发展，成为信号处理的一个重要方向，现已成功地用于语音识别，行为识别，文字识别以及故障诊断等领域。

隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生，详见文献[1]。所以，隐马尔可夫模型是一个双重随机过程----具有一定状态数的隐马尔可夫链和显示随机函数集。自20世纪80年代以来，HMM被应用于语音识别，取得重大成功。到了90年代，HMM还被引入计算机文字识别和移动通信核心技术“多用户的检测”。近年来，HMM在生物信息科学、故障诊断等领域也开始得到应用。

二、生成模型

我们通常都习惯寻找一个事物在一段时间里的变化模式（规律）。这些模式发生在很多领域，比如计算机中的指令序列，句子中的词语顺序和口语单词中的音素序列等等，事实上任何领域中的一系列事件都有可能产生有用的模式。详见文献[3]

考虑一个简单的例子，有人试图通过一片海藻推断天气——民间传说告诉我们‘湿透的’海藻意味着潮湿阴雨，而‘干燥的’海藻则意味着阳光灿烂。如果它处于一个中间状态（‘有湿气’），我们就无法确定天气如何。然而，天气的状态并没有受限于海藻的状态，所以我们可以在观察的基础上预测天气是雨天或晴天的可能性。另一个有用的线索是前一天的天气状态（或者，至少是它的可能状态）——通过综合昨天的天气及相应观察到的海藻状态，我们有可能更好的预测今天的天气。

2.1确定性模型（Deterministic Patterns）

一个由完全肯定的函数关系（因果关系）所决定的模型。确定性模型是指不包含任何随机成份的模型。对于确定性模型，只要设定了输入和各个输入之间的关系，其输出也是确定的，而与实验次数无关。确定性模型事实上是一种简化了的随机性模型。

考虑一套交通信号灯，灯的颜色变化序列依次是红色-红色/黄色-绿色-黄色-红色。这个序列可以作为一个状态机器，交通信号灯的不同状态都紧跟着上一个状态。

注意每一个状态都是唯一的依赖于前一个状态，所以，如果交通灯为绿色，那么下一个颜色状态将始终是黄色——也就是说，该系统是确定性的。确定性系统相对比较容易理解和分析，因为状态间的转移是完全已知的。

2.2非确定性模式（Non-deterministic patterns）

由于包含随机因素等不确定成分在内；模型不能够一个确定的关系来确定，模型的结果具有不确定性的模式成为非确定性模式。

将第一章中天气的例子，加入第三个状态——多云。现在又三种天气状态晴天，小雨和多云。

与交通信号灯例子不同，由于天气的随机性，我们仅仅依据前一天的天气，并不能下一天的天气状态，也就是说三个天气之间的变化模型是不确定的。由于系统是非确定性的，系统状态之间的转移具有很大的不确定性。

三、模型简介

3.1马尔科夫过程^[2]

马尔可夫过程 (Markov Process)，它因俄罗斯数学家安德烈·马尔可夫而得名，代表数学中具有马尔可夫性质的离散随机过程。该过程中，每个状态的转移只依赖于之前的n个状态，这个过程被称为1个n阶的模型，其中n是影响转移状态的数目。最简单的马尔科夫过程就是一阶过程，每一个状态的转移只依赖于其之前的那一个状态。这和确定性系统不一样，因为这种转移是有概率的，而不是确定性的。

马尔可夫链是随机变量X1 ,… , Xn的一个数列。这些变量的范围，即他们所有可能取值的集合，被称为“状态空间”，而Xn的值则是在时间n的状态。如果X(n+1)对于过去状态的条件概率分布仅是Xn的一个函数，则

以晴天，小雨，多云为天气状态，如下图；天气例子中状态间所有可能的一阶状态转移情况：