我們通常都習慣尋找乙個事物在一段時間裡的變化規律。在很多領域我們都希望找到這個規律，比如計算機中的指令順序，句子中的詞順序和語音中的詞順序等等。乙個最適用的例子就是天氣的**。
首先，本文會介紹聲稱概率模式的系統，用來**天氣的變化
然後，我們會分析這樣乙個系統，我們希望**的狀態是隱藏在表象之後的，並不是我們觀察到的現象。比如，我們會根據觀察到的植物海藻的表象來**天氣的狀態變化。
最後，我們會利用已經建立的模型解決一些實際的問題，比如根據一些列海藻的觀察記錄，分析出這幾天的天氣狀態。
generating patterns
有兩種生成模式：確定性的和非確定性的。
確定性的生成模式：就好比日常生活中的紅綠燈，我們知道每個燈的變化規律是固定的。我們可以輕鬆的根據當前的燈的狀態，判斷出下一狀態。
向量。到現在，我們定義了乙個一階馬爾科夫模型，包括如下概念：
狀態：晴、多雲、雨
狀態轉移概率
初始概率
當乙個隱士不能通過直接觀察天氣狀態來**天氣時，但他有一些水藻。民間的傳說告訴我們水藻的狀態與天氣有一定的概率關係。也就是說，水藻的狀態與天氣時緊密相關的。此時，我們就有兩組狀態：觀察狀態（水藻的狀態）和隱含狀態（天氣狀態）。因此，我們希望得到乙個演算法可以為隱士通過水藻和馬爾科夫過程，在沒有直接觀察天氣的情況下得到天氣的變化情況。
更容易理解的乙個應用就是語音識別，我們的問題定義就是如何通過給出的語音頻號**出原來的文字資訊。在這裡，語音頻號就是觀察狀態，識別出的文字就是隱含狀態。
這裡需要注意的是，在任何一種應用中，觀察狀態的個數與隱含狀態的個數有可能不一樣的。下面我們就用隱馬爾科夫模型hmm來解決這類問題。
hmm
下圖是天氣例子中兩類狀態的轉移圖，我們假設隱狀態是由一階馬爾科夫過程描述，因此他們相互連線。
隱狀態和觀察狀態之間的連線表示：在給定的馬爾科夫過程中，乙個特定的隱狀態對應的觀察狀態的概率。我們同樣可以得到乙個矩陣：
注意每一行（隱狀態對應的所有觀察狀態）之和為1。
到此，我們可以得到hmm的所有要素：兩類狀態和三組概率
兩類狀態：觀察狀態和隱狀態；
三組概率：初始概率、狀態轉移概率和兩態對應概率（confusion matrix）
隱馬爾科夫 HMM 模型
隱馬爾科夫 hidden markov model 模型是一類基於概率統計的模型，是一種結構最簡單的動態貝葉斯網，是一種重要的有向圖模型。自上世紀80年代發展起來，在時序資料建模，例如 語音識別 文字識別 自然語言處理等領域廣泛應用。隱馬爾科夫模型涉及的變數 引數眾多，應用也很廣泛，以至於很多人不明...
HMM隱馬爾科夫模型
問題 講講hmm隱馬爾科夫模型 1 隱馬爾科夫模型是關於時序的概率模型，是由乙個隱藏的馬爾科夫鏈隨機生成不可觀測的隨機狀態序列，並由各個狀態生成乙個觀測而產生觀測隨機序列的過程。統計學習方法 cha10 概念解釋 馬爾可夫鏈 一階馬爾可夫過程，即未來狀態僅與當前狀態有關，與過去無關。馬爾可夫過程 狀...
隱馬爾科夫模型HMM
使用hmm模型時我們的問題一般有這兩個特徵 我們的問題是基於序列的，比如時間序列，或者狀態序列。我們的問題中有兩類資料，一類序列資料是可以觀測到的，即觀測序列 而另一類資料是不能觀察到的，即隱藏狀態序列，簡稱狀態序列。有了這兩個特徵，那麼這個問題一般可以用hmm模型來嘗試解決。這樣的問題在實際生活中...