1. em（expectition-maximum）：期望最大化演算法，由於已知資料中有未觀察到的隱含資料，所以需要猜想隱含資料，進而求模型引數。e為期望步，計算模型的期望值問題；m步為求最大化問題，以此類推，不斷迭代。
2. hmm（hidden markov model）：隱馬爾夫模型，hmm解決的問題有以下兩個特徵：１）我們的問題是基於序列的，比如時間序列，或者狀態序列。２）我們的問題中有兩類資料，一類序列資料是可以觀測到的，即觀測序列；而另一類資料是不能觀察到的，即隱藏狀態序列，簡稱狀態序列。
三個問題需要解決：
1） 評估觀察序列概率。即給定模型λ=(a,b,π)λ=(a,b,π)和觀測序列o=o=，計算在模型λλ下觀測序列oo出現的概率p(o|λ)p(o|λ)。這個問題的求解需要用到前向後向演算法，我們在這個系列的第二篇會詳細講解。這個問題是hmm模型三個問題中最簡單的。
2）模型引數學習問題。即給定觀測序列o=o=，估計模型λ=(a,b,π)λ=(a,b,π)的引數，使該模型下觀測序列的條件概率p(o|λ)p(o|λ)最大。這個問題的求解需要用到基於em演算法的鮑姆-韋爾奇演算法， 我們在這個系列的第三篇會詳細講解。這個問題是hmm模型三個問題中最複雜的。
3）**問題，也稱為解碼問題。即給定模型λ=(a,b,π)λ=(a,b,π)和觀測序列o=o=，求給定觀測序列條件下，最可能出現的對應的狀態序列，這個問題的求解需要用到基於動態規劃的維特比演算法，我們在這個系列的第四篇會詳細講解。這個問題是hmm模型三個問題中複雜度居中的演算法。
學習筆記 HMM統計模型
畢設快要選題目了，為此開始看一些研究生導師研究方向的相關文獻，他的 太高深，於是轉而從一些基礎類的科普性文章看起。在 計算聽覺場景介紹 中遇到了hmm統計模型這個概念，於是上網搜了部落格學習了一下。hmm 隱馬爾科夫模型 hidden markov model 是統計模型，它用來描述乙個含有隱含未知...
HMM演算法學習筆記
本文將講解hmm的各種演算法運用 背景 有 個色子abc，編號是1到m 此例中取3 每個色子可擲1到6，但分布律各不相等，現在我擲n次，每次隨機取乙個色子隨機擲得乙個點數並記為x i 但是我不知道每次擲的色子是哪個色子。概念引入 隱藏狀態數 m，現在是3種色子，所以隱藏狀態數是3種 輸出狀態數 s，...
EM演算法學習 番外篇 HMM的引數估計
一 hmm的定義 隱馬爾科夫模型實際上是乙個雙重的隨機過程,其中一重隨機過程不能直接被觀測到,通過狀態轉移概率矩陣描述,另一重隨機過程輸出可以觀測的觀測符號,這個是由輸出的概率來進行定義的.隱馬爾科夫的模型的引數 入 可以表示為乙個五元組 1 s是一組狀態的集合,s 而隨機序列x在t時刻所處的狀態為...