隱馬爾可夫模型是乙個五元組：
s：狀態集合：即所有可能的狀態s1,s2,…,sn所組成的集合。
o：觀察序列：即實際存在的乙個狀態的有向序列，如狀態o1,o2,…,on，注意狀態是存在順序的。
b：每種狀態出現的概率分布。
π：初始的狀態分布
hmm模型有三個主要用途，沒有例子可能比較難於理解，分詞示例：
1. 引數學習
模型沒有建立前，有已經分好詞的部分語料。利用現有語料訓練模型，得到各引數的值。我們使用最簡單的hmm（設s由四種狀態構成：詞頭，詞中、詞尾、單字成詞），可以這樣做：
假如訓練語料有兩句話：
我 愛 你 程式設計師。
他們 兩個 人 是 半斤八兩。
a. o是觀察序列，本例中，就是：「我、愛、你、程、序、員、他、們、兩、個、人、是、半、斤、八、兩」這16個字。
b. s由四種狀態構成：詞頭（如「程」），詞中（如「序」）、詞尾（如「員」）、單字成詞（如「愛」、「你」）
c. a即由乙個狀態轉移到另乙個狀態的概率集合，本例共有8種狀態
i. 單字成詞->單字成詞，如a我單單=1「我」後面一定是單字成詞
ii. 單字成詞->詞頭，如a我單頭=0「我」後面一定不是詞頭，而a你單頭=1
iii. 詞頭->詞中
iv. 詞頭->詞尾
i. 詞中->詞尾
ii. 詞中->詞中
iii. 詞尾->詞頭
iv. 詞尾->單字成詞
d. b由各狀態的概率分布構成，如b我單=1（「我」一定單字成詞）。
e. π由初始狀態的概率構成，此例中為π我=1/2（以「我」開頭的概率為1/2），π他=1/2（以「他」開頭的概率為1/2）。
2. 評價問題
以上面乙個問題的引數為基礎，評估第一句話：我 愛 你 程式設計師。
「我」開頭的概率為π我=1/2，「我」轉移到「愛」的概率為a我單=1，「愛」到「你」的概率為a單單=1，「你」到「程」的概率為a單頭=1， 「你」到「序」的概率為a頭中=1，「序」到「員」的概率為a中尾=1，而本例（因為字太少，每個字只出現一次）中所有的b都為1，所以該句的概率為：
pv=π我*b我單 *a我單單* b愛單*a愛單單*b你單 *a你單頭* b程頭*a程頭中*b序中 *a序中尾* b員尾
3. 分詞問題
比如還以第乙個問題的引數為基礎，來解碼還沒有分詞的句子：我愛人是程式設計師。
因為首字是「我」，所以是「他」的情況被排除。
π我=1/2，
「我」後面是單字的概率為1，a我單=1（即只能是單字），其它情況的概率為0
「愛」後面是單字的概率為1，a愛單=1，其它情況的概率為0
「人」後面是單字的概率為1，a人單=1，其它情況的概率為0
「是」後面是詞頭的概率為1，a是頭=1，其它情況的概率為0
「程」後面是詞中的概率為1，a程中=1，其它情況的概率為0
「序」後面是詞尾的概率為1，a序尾=1，其它情況的概率為0
所有分詞的可能性是很多的，需要採用動態規劃的演算法，這裡就不詳述了，只給出其中三種可能作為示例：
a. 「我」為開頭，「愛」是單字成詞，「人」是單字成詞，「是」是單字成詞，「程」是詞頭，「序」是詞中，「員」是詞尾：
p1= π我*b我單*a我單單*b愛單*a愛單單*b人單*a人單單*b是單*a是單頭*b程頭*a程頭中*b序中*a序中尾*b員尾
=1/2*1*1*1*1*1*1*1*1*1*1*1*1*1=1/2
b. 「我」為開頭，「愛」是詞頭，「人」是詞尾，「是」是單字成詞，「程」是詞頭，「序」是詞中，「員」是詞尾：
p1= π我*b我單*a我單頭*b愛頭*a愛頭尾*b人尾*a人尾單*b是單*a是單頭*b程頭*a程頭中*b序中*a序中尾*b員尾
=1/2*1*0*0*0*0*0*1*1*1*1*1*1*1=0
c. 「我」為開頭，「愛」是詞頭，「人」是詞中，「是」是詞尾，「程」是詞頭，「序」是詞中，「員」是詞尾：
p1= π我*b我單*a我單頭*b愛頭*a愛頭尾*b人中*a人中尾*b是尾*a是尾頭*b程頭*a程頭中*b序中*a序中尾*b員尾
=1/2*1*0*0*0*0*0*0*0*1*1*1*1*1=0
內含實驗報告等檔案，便於讀者理解程式的編寫思想。
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...