隱馬爾科夫（hiddenmarkov model）簡稱為hmm，hmm資料相當豐富，推薦參見《hmm學習最佳範例與崔曉源的部落格》一文，本文只對hmm進行簡要介紹，然後說明開源ghmm實現在linux環境的搭建，hmm的開源實現有眾多不同語言的實現。
馬爾科夫模型
一階馬爾科夫模型假設為：
1、t+l時刻系統狀態的概率分布只與t時刻的狀態有關，與t時刻以前的狀態無關；
2、從t時刻到t+l時刻的狀態轉移與t的值無關。
數學表達為：
依次類推，n階馬爾科夫中當前狀態與前面n個時刻的狀態有關。
隱馬爾科夫模型：
在馬爾可夫模型中，狀態對於觀察者來說是直接可見的，但是而在隱馬爾可夫模型中,狀態並不是直接可見的，但受狀態影響的觀測變數則是可見的。如下圖，x為不同時刻的狀態，y為對應時刻的觀察量。
隱馬爾科夫模型三要素：
狀態轉移矩陣:包含了乙個隱藏狀態到另乙個隱藏狀態的概率
觀測概率矩陣：包含了某乙個隱藏狀態觀察到的某個觀察狀態的概率。
初始狀態概率向量：初始狀態t=1下的狀態概率。
隱馬爾可夫應用：
評估：已知模型引數，求乙個觀察序列的概率，通常使用forward演算法。
解碼：給定觀察序列搜尋最可能的隱藏狀態序列，通常使用viterbi演算法。
學習：根據觀察序列生成隱馬爾科夫模型，通常使用baum-welch演算法。
ghmm在linux下的搭建
> ./configure
> make
> make install
為了能夠在python下使用ghmm模組，還需要以下步驟：
> python setup.py build
> python setup.py install啟動python，輸入
>importghmm
會出現如下錯誤，importerror : libghmm.so.1: cannot open shared object file: no suchfile or directory
解決方案參見一文。
具體方法為在.bashrc檔案中新增：
exportld_library_path=$ld_library_path:/usr/local/lib
並logout之後再 login，重新匯入ghmm模組，執行正常。
>help(ghmm )後，有詳細的ghmm模組相關介紹。
執行例項結果如下：
馬爾科夫模型與隱馬爾科夫模型
隨機過程 是隨時間而隨機變化的過程。又稱為隨機函式。馬爾科夫模型 vmm 它描述了一類重要的隨機過程。乙個系統有有限個狀態集s 隨時間推移，該系統將同某一狀態轉移到另一狀態。q s1,s2,sn 為一隨機變數序列，隨機變數取值為狀態集s中的乙個狀態，設時間t時狀態為qt。對系統的描述通常是給出當前時...
隱馬爾科夫模型
一 介紹 introduction 我們通常都習慣尋找乙個事物在一段時間裡的變化模式 規律 這些模式發生在很多領域，比如計算機中的指令序列，句子中的詞語順序和口語單詞的因素修咧等等，事實上任何領域中的一系列事件都有可能產生有用的模式。考慮乙個簡單的例子，有人試圖通過一片海藻推斷天氣 民間傳說告訴我們...
隱馬爾科夫模型
一 問題 狀態隨時間變化，需要跟蹤 二 基本思想 在每個時間點，根據新的證據變數來更新世界狀態 三 時間上的概率推理 建立 轉移模型 感測器模型 先驗概率分別 1.轉移模型 世界如何演變，在描述了給定過去的時間的世界狀態下，當前時間世界的狀態變數 2.感測器模型，觀察模型 描述了給定當前世界狀態條件...