HMM学习

【综述】
HMM是一个基于统计的模型，要知道各个状态间相互转换的概率
【HMM原理简述】
1.马尔可夫过程


状态 
初始向量 系统在初试时间的状态的概率
状态转移矩阵 由某种状态转移到另一状态的概率


2.隐藏状态与可观察状态


隐藏状态的数目和可以观察到的状态的数目可能是不一样的，
可以观察到的状态序列和隐藏的状态序列是概率相关的


3.隐马尔可夫模型
有一个隐藏的马尔科夫过程和一个与这个隐藏马尔科夫过程概率相关的并且可以观察到的状态集合


一个HMM可用一个5元组 { N, M, π，A，B} 表示，
其中 N 表示隐藏状态的数量，我们要么知道确切的值，要么猜测该值，
M 表示可观测状态的数量，可以通过训练集获得
π={πi} 为初始状态概率，
A={aij} 为隐藏状态的转移矩阵Pr(xt(i)| xt-1(j))，
B={bik} 表示某个时刻因隐藏状态而可观察的状态的概率，即混淆矩阵，Pr(ot(i)| xt(j))。


在状态转移矩阵和混淆矩阵中的每个概率都是时间无关的，即当系统演化时，这些矩阵并不随时间改变。
对于一个 N 和 M 固定的HMM来说，用 λ={ π, A,B} 表示 HMM 参数。


在隐马尔可夫模型中，状态并不是直接可见的，但受状态影响的某些变量则是可见的。
每一个状态在可能输出的符号上都有一概率分布。
因此输出符号的序列能够透露出状态序列的一些信息。