1、隐马尔科夫模型介绍隐马尔可夫模型可以用五个元素来描述：1.N，模型的隐状态数目。虽然这些状态是隐含的，但在许多实际应用中，模型的状态通常有具体的物理意义2.M，每个状态的不同观测值的数目。3.A ， 状态转移概率矩阵。描述了 HMM 模型中各个状态之间的转移概率。其中A_IJ= P(A_T+1 =S_J | Q_T=S_I),1I,JN. (1)式（1）表示在 T 时刻、状态为 SI 的条件下，在 T+1 时刻状态是 SJ 的概率。4. B ，观测概率矩阵。其中BJ(K) = PVK(T) | QT = SJ; 1JN,1KM.表示在 T 时刻、状态是 SJ 条件下，观察符号为 VK(T)的概
2、率。5. 初始状态概率矩阵 =_J| _J= PQ_1 = S_J;1JN.表示在初始 T=1 时刻状态为 SJ 的概率。一般的，可以用 =(A,B,)来简洁的表示一个隐马尔可夫模型。给定了 N,M,A,B, 后，隐马尔可夫模型可以产生一个观测序列 O=O1O2O3OTHMM 需要解决三个基本问题:*1 评估问题：给定观测序列 O=O1O2O3OT 和模型参数 =(A,B,)，怎样有效计算某一观测序列的概率.*2 解码问题给定观测序列 O=O1O2O3OT 和模型参数 =(A,B,)，怎样寻找某种意义上最优的状态序列.*3 学习问题怎样调整模型参数 =(A,B,)，使其最大？基本算法针对以上三个问题，人们提出了相应的算法*1 评估问题： 向前向后算法*2 解码问题： VITERBI 算法*3 学习问题： BAUM-WELCH 算法
