馬爾可夫模型（markov model)描述了一類隨機變數隨時間而變化的隨機函式。考察乙個狀態序列（此時隨機變數為狀態值），這些狀態並不是相互獨立的，每個狀態的值依賴於序列中此狀態之前的狀態。
乙個系統由n個狀態s= ，隨著時間的推移，該系統從乙個狀態轉換成另乙個狀態。q= 為乙個狀態序列，qi∈s,在t時刻的狀態為qt,對該系統的描述要給出當前時刻t所處的狀態st，和之前的狀態s1,s2,...st, 則t時刻位於狀態qt的概率為：p(qt=st|q1=s1,q2=s2,...qt-1=st-1)。這樣的模型叫馬爾可夫模型。
特殊狀態下，當前時刻的狀態只決定於前一時刻的狀態叫一階馬爾可夫模型，即p(qt=si|q1=s1,q2=s2,...qt-1=sj) =p(qt=si|qt-1=sj)。
狀態之間的轉化表示為aij,aij=p(qt=sj|qt-1=si),其表示由狀態i轉移到狀態j的概率。其必須滿足兩個條件：1.aij≥ 02.
=1對於有n個狀態的一階馬爾科夫模型，每個狀態可以轉移到另乙個狀態（包括自己），則共有n2次狀態轉移，可以用狀態轉移矩陣表示。
一段文字中名詞、動詞、形容詞出現的情況可以用有3個狀態的y一階馬爾科夫模型m表示：
狀態s1:名詞 狀態s2:動詞 狀態s3:形容詞
狀態轉移矩陣： s1 s2 s3
a=則狀態序列o=「名動形名」（假定第乙個詞為名詞）的概率為：
p(o|m) = p(s1,s2,s3,s4} = p(s1)*p(s2|s1)p(s3|s2)p(s1|s3)
=p(s1)*a12*a23*a31
=1*0.5*0.2*0.4
=0.04
馬爾科夫模型可以用來語音識別、音字轉化、詞性標註、統計機器翻譯。
隱馬爾可夫模型
隱 馬爾可夫模型 hidden markov model，hmm 作為一種統計分析模型，創立於20世紀70年代。80 年代得到了傳播和發展，成為訊號處理的乙個重要方向，現已成功地用於語音識別 行為識別，文字識別以及故障診斷等領域。隱馬爾可夫模型是馬爾可夫鏈的一種，它的狀態不能直接觀察到，但能通過觀測...
隱馬爾可夫模型
對隱馬爾可夫模型的解釋，個人覺得一句簡單概括就是 在馬爾可夫鏈的情況下對每乙個狀態都加入乙個單獨輸出口，而我們把這個輸出口定為可視視窗，可把馬爾可夫鏈放到裡面藏起來。ok！這樣就是知道隱馬爾可夫模型的結構了。通過如下例子來說明hmm的含義。假定乙個暗室中有n個口袋，每個口袋中有m種不同顏色的球，乙個...
隱馬爾可夫模型
搖色子的比喻很好 它解釋了模型的概念 模型的n個狀態 s 對應於色子的種類 隱狀態 真實不可見狀態s的序列，是每次用的色子種類d4 d6 d8組成的序列 觀測狀態 o 是可見的狀態，這裡是色子搖出的點數 觀測概率 是當確定用d4 d6 d8搖的色子的種類，求產生某種點數的概率 如 d4產生點數1的概...