常常用於分詞、詞性標註、命名實體識別等問題序列標註問題。
一、什麼是隱馬爾科夫模型
隱馬爾科夫模型是關於時序的概率模型，描述乙個隱藏的馬爾科夫鏈隨機生成不可觀測的狀態隨機序列，再由各個狀態生成乙個狀態觀測而產生觀測隨機序列的過程。
隱藏的馬爾科夫鏈隨機生成的狀態的序列，稱為狀態序列；每個狀態生成乙個觀測，而由此產生的觀測隨機序列稱為觀測序列。
序列的每乙個位置又可以看作成乙個時刻。
設q是所有可能狀態的集合，v是所有可能的觀測的集合。
其中，n是可能的狀態數，m是可能的觀測數。
狀態q是不可見的，狀態v是可見的。
應用到詞性標註問題時，v代表詞語，是可以觀測到的。q代表我們將要**的詞性（乙個詞可能有多個詞性）是隱含的狀態。
應用到分詞問題，v代表詞語，是可以觀察的。q代表我們的標籤（b，e這些標籤代表乙個詞的開始於或者中間）。
應用到命名實體識別中，v代表詞語，是可以觀察的。q代表我們的標籤（標籤代表地點詞，時間詞這些）。
i是長度為t的狀態序列，o是對應的觀測序列。
我們可以看做是給定了乙個詞（o）和詞性（i）的訓練集，或者乙個詞（o）和分詞標籤（i）的訓練集，有了訓練資料，再通過訓練演算法就可以得到解決問題。
我們繼續定義a為狀態轉移概率矩陣：
其中是在時刻t處於狀態qi的條件下在狀態t+1轉移到qj的概率。b是觀測概率矩陣
其中，是在時刻t處於狀態qj的情況下生成觀測vk的概率（也就是所謂的「發射概率」與「生成概率」其實是乙個概念）
假設π是廚師概率向量：
其中，隱馬爾科夫模型由廚師狀態概率向量π、狀態轉移概率矩陣a和概率**矩陣b決定。π和a決定狀態序列，b決定觀測序列。因此，隱馬爾科夫模型可以用三元符號表示，如下
加上狀態集合q與觀測序列v，構成了hmm所有需要的條件。
二、隱馬爾科夫鏈的三個基本問題：
1.概率計算問題。
給定模型
用python描述這個模型，如下：
在這段**中，start_probability（π）代表了醫生對患者首次訪問時hmm所處的狀態的信念（他知道患者往往是健康的，所以健康比不健康大）。
transition_probability表示基礎markov鏈中健康狀況的變化。在這個例子中，今天只有30％的機會，如果他今天健康，病人會發燒。發射概率表示患者每天感受的可能性。如果他健康，那麼有50％的機會感覺正常;如果他有發燒，那麼有60％的機會感到頭昏眼花。
第乙個問題是求，給定模型的情況下，求某種觀測序列出現的概率。
比如，給定的hmm模型引數已知，求出三天觀察是(dizzy,cold,normal)的概率是多少？
對應的hmm模型引數已知的意思，就是說的a,b,pi矩陣是已經知道的。
2.學習問題
已知觀測序列o=（o1,o2,o3,......,or），估計模型λ引數，使得在該模型下觀測序列概率最大，即
我們已經知道了觀測序列是（dizzy,cold,normal）,需要求出hmm的引數問題（使得我們的觀測序列出現概率最大）。也就是我們上面說的a,b,pi三個矩陣引數。
3.**問題
我們知道了觀測序列是（dizzy,cold,normal）,也知道了hmm的引數，讓我們求出造成這個觀測序列最有可能對應的狀態序列。比如說是（healthy，healthy，fever）還是（healthy,healthy,healthy），等等，這裡有3的3次方27種可能~
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
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...
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...