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的概率為1/4， d6產生點數1的概率為1/6，d8產生點數1的概率為1/8
初始狀態π：d4、d6、d8隨機選擇乙個時的概率，也是第乙個狀態發生的概率，
如：第一次選擇d4、d6、d8搖的概率預設為1/3
混淆矩陣/發射概率：是已知觀測狀態推測隱狀態的概率，已知色子點數，求是d4、d6、d8中哪種色子搖出的的概率
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
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...