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，乙個實驗員根據某一概率分布隨機地選取乙個初始口袋，從中根據不同顏色的球的概率分布，隨機地取出乙個球，並向室外的人報告該球的顏色。然後，再根據口袋的概率分布選擇另乙個口袋，根據不同顏色的球的概率分布從中隨機選擇另乙個球，重複進行這個過程，對於暗室外的人來說，可觀察的過程只是不同顏色的球的序列，而口袋的序列是不可觀察的。在這個過程中，每個口袋對應於hmm中的狀態，球的顏色對應於hmm中狀態的輸出符號，從乙個口袋轉向另乙個口袋對應於狀態轉換，從口袋中取出球的顏色對應於從乙個狀態輸出的觀察符號。
通過上例可以看出，乙個hmm由如下幾個部分組成：
(1) 模型中狀態的數目n(上例中口袋的數目)
(2) 從每個狀態可能輸出的不同符號的數目m(上例中球的不同顏色的數目)
(3) 狀態轉移概率矩陣a=(aij為實驗員從乙個口袋轉向另一口袋取球的概率)
當考慮潛在事件隨機地生成表面事件時，hmm是非常有用的，假設給定模型 u=（s,k,a,b,r）,其中，s為狀態集合；k為輸出符號集合；r為初始狀態概率分布；a為狀態轉移概率；b為符號發射概率。那麼觀察序列o=o1 o2 ...ot 可以由下面的步驟直接產生：
(1) 根據初始狀態的概率分布r選擇乙個初始狀態q1 = si；
(2) 設定t=1
(3) 根據狀態si 的輸出概率分布bi(k) 輸出ot =vk
(4) 根據狀態轉移概率分布aij，將當前時刻t的狀態轉移到新的狀態qt+1 = sj
(5) t=t+1,如果t 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... 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... 隱含 馬爾可夫模型 是一種隨機過程 模型，該模型假設外界可觀察到的觀察向量序列 是由模型隱含層中的一串狀態序列產生的。在 語音識別 系統中，模型的觀察向量即為語音特徵向量，而模型中的狀態序列則對應了語音的內容，一套隱含馬爾可夫模型由三組引數唯一確定，狀態初始概率分布向量 轉移概率 矩陣 和輸出 概率...隱馬爾可夫模型
隱馬爾可夫模型
隱馬爾可夫模型