出處：
六、維特比演算法（viterbi algorithm）
尋找最可能的隱藏狀態序列(finding most probable sequence of hidden states)2b.計算t=1時刻的區域性概率
我們計算的區域性概率
——與前向演算法類似，這個結果是通過初始概率和相應的觀察概率相乘得出的。
2c.計算t>1時刻的區域性概率
現在我們來展示如何利用t-1時刻的區域性概率
考慮如下的網格：
我們考慮計算t時刻到達狀態x的最可能的路徑；這條到達狀態x的路徑將通過t-1時刻的狀態a，b或c中的某乙個。
因此，最可能的到達狀態x的路徑將是下面這些路徑的某乙個
（狀態序列），…，a，x
（狀態序列），…，b，x
或 （狀態序列），…，c，x
我們想找到路徑末端是ax,bx或cx並且擁有最大概率的路徑。
回顧一下馬爾科夫假設：給定乙個狀態序列，乙個狀態發生的概率只依賴於前n個狀態。特別地，在一階馬爾可夫假設下，狀態x在乙個狀態序列後發生的概率只取決於之前的乙個狀態，即
pr (到達狀態a最可能的路徑) .pr (x | a) . pr (觀察狀態 | x)
與此相同，路徑末端是ax的最可能的路徑將是到達a的最可能路徑再緊跟x。相似地，這條路徑的概率將是：
pr (到達狀態a最可能的路徑) .pr (x | a) . pr (觀察狀態 | x)
因此，到達狀態x的最可能路徑概率是：
其中第一項是t-1時刻的區域性概率
泛化上述公式，就是在t時刻，觀察狀態是kt，到達隱藏狀態i的最佳區域性路徑的概率是：
這裡，我們假設前乙個狀態的知識（區域性概率）是已知的，同時利用了狀態轉移概率和相應的觀察概率之積。然後，我們就可以在其中選擇最大的概率了（區域性概率
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...
隱馬爾科夫學習二
學習出處 二 生成模式 generating patterns 1 確定性模式 deterministic patterns 考慮一套交通訊號燈，燈的顏色變化序列依次是紅色 紅色 黃色 綠色 黃色 紅色。這個序列可以作為乙個狀態機器，交通訊號燈的不同狀態都緊跟著上乙個狀態。注意每乙個狀態都是唯一的依...
隱馬爾科夫學習四
出處 四 隱馬爾科夫模型 hidden markov models 1 定義 definition of a hidden markov model 乙個隱馬爾科夫模型是乙個三元組 pi,a,b 在狀態轉移矩陣及混淆矩陣中的每乙個概率都是時間無關的 也就是說，當系統演化時這些矩陣並不隨時間改變。實際...