隱馬爾可夫模型（hidden markov model，hmm）是統計模型，它用來描述乙個含有隱含未知引數的馬爾可夫過程。
隱馬爾可夫模型（hmm）可以用五個元素來描述，包括2個狀態集合和3個概率矩陣：
隱含狀態 s
這些狀態之間滿足馬爾可夫性質，是馬爾可夫模型中實際所隱含的狀態。這些狀態通常無法通過直接觀測而得到。（例如s1、s2、s3等等)
可觀測狀態 o
在模型中與隱含狀態相關聯，可通過直接觀測而得到。(例如o1、o2、o3等等，可觀測狀態的數目不一定要和隱含狀態的數目一致。）
初始狀態概率矩陣 π
表示隱含狀態在初始時刻t=1的概率矩陣，(例如t=1時，p(s1)=p1、p(s2)=p2、p(s3)=p3，則初始狀態概率矩陣 π=[ p1 p2 p3 ].
隱含狀態轉移概率矩陣 a。
描述了hmm模型中各個狀態之間的轉移概率。
其中aij = p( sj | si ),1≤i,j≤n.
表示在 t 時刻、狀態為 si 的條件下，在 t+1 時刻狀態是 sj 的概率。
觀測狀態轉移概率矩陣 b （英文名為confusion matrix，直譯為混淆矩陣不太易於從字面理解）。
令n代表隱含狀態數目，m代表可觀測狀態數目，則：
bij = p( oi | sj ), 1≤i≤m,1≤j≤n.
表示在 t 時刻、隱含狀態是 sj 條件下，觀察狀態為 oi 的概率。
總結：一般的，可以用λ=(a,b,π)三元組來簡潔的表示乙個隱馬爾可夫模型。隱馬爾可夫模型實際上是標準馬爾可夫模型的擴充套件，新增
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...