回答 ：
（2）什麼是hmm模型？
隱馬爾可夫模型（hmm）可以用五個元素來描述，包括2個狀態集合和3個概率矩陣：
1. 隱含狀態 s
這些狀態之間滿足馬爾可夫性質，是馬爾可夫模型中實際所隱含的狀態。這些狀態通常無法通過直接觀測而得到。（例如s1、s2、s3等等)
2. 可觀測狀態 o
在模型中與隱含狀態相關聯，可通過直接觀測而得到。(例如o1、o2、o3等等，可觀測狀態的數目不一定要和隱含狀態的數目一致。）
3. 初始狀態概率矩陣 π
表示隱含狀態在初始時刻t=1的概率矩陣，(例如t=1時，p(s1)=p1、p(s2)=p2、p(s3)=p3，則初始狀態概率矩陣 π=[ p1 p2 p3 ].
4. 隱含狀態轉移概率矩陣 a。
描述了hmm模型中各個狀態之間的轉移概率。
其中aij = p( sj | si ),1≤i,,j≤n.
表示在 t 時刻、狀態為 si 的條件下，在 t+1 時刻狀態是 sj 的概率。
5. 觀測狀態轉移概率矩陣 b （英文名為confusion matrix，直譯為混淆矩陣不太易於從字面理解）。
令n代表隱含狀態數目，m代表可觀測狀態數目，則：
bij = p( oi | sj ), 1≤i≤m,1≤j≤n.
表示在 t 時刻、隱含狀態是 sj 條件下，觀察狀態為 oi 的概率。
（2）三個基本問題 ：
a.概率計算問題。
b.學習問題
c.**問題
HMM向前演算法
1.hmm的第乙個問題 已知乙個hmm模型 2.演算法思路 實質上是動態規劃演算法，關鍵是找到遞推公式 2.1 計算時刻1的各種狀態的向前概率 2.2 遞推2，3.t時刻的概率 2.3 計算最終結果 3.c 已知 hmm隱含狀態數量，狀態轉換概率，狀態的發射概率，以及初始狀態概率分布，根據指定可見狀...
理解HMM演算法
1 狀態 生成觀測值的變數 上圖中的 吃 和 睡 2 觀測值 狀態乘上輸出概率對應的輸出 上圖中的橙色節點 3 輸出概率 輸出概率矩陣裡面的某個元素 狀態和觀測值兩層之間的某個權重引數 4 輸出概率矩陣 由輸出概率組成的矩陣。5 bi 第i個狀態 比如 睡 輸出所有觀測值對應的概率構成的行向量 上圖...
機器學習 HMM 演算法
已知觀測序列o o1,ot 估計模型 a,b 的引數，使得在該模型下觀測序列概率 p o 極大似然估計的方法 樣本中時刻 t 處於狀態 i 時刻 t 1 轉移到狀態 j的頻數ai j,則轉移狀態概率矩陣ai j 的估計a ij a ij j 1na ij樣本中狀態為 j 並觀測為 k的頻數是bj k...