（1）狀態：生成觀測值的變數（上圖中的「吃」和「睡」）。
（2）觀測值：狀態乘上輸出概率對應的輸出（上圖中的橙色節點）。
（3）輸出概率：輸出概率矩陣裡面的某個元素（狀態和觀測值兩層之間的某個權重引數）。
（4）輸出概率矩陣：由輸出概率組成的矩陣。
（5）bi: 第i個狀態（比如」睡「）輸出所有觀測值對應的概率構成的行向量（上圖中所有紅線構成的行向量）。
（6）o1：表示我要輸出第乙個觀測值。不是把o1做為自變數輸入到bi中，只是乙個記號（個人表示沒什麼用）。
（7）πi：走 第i個狀態的初始概率（p(start->吃)=0.3)。
（8）αi(t)：（阿爾法）在給定馬爾可夫模型中，到t時刻為止，狀態們在t個時刻，每個時刻都由所有狀態中的乙個輸出某個觀測值，一共輸出了t個觀測值觀測序列，記為
,，並且t時刻輸出ot的狀態為qi（狀態用q表示），把出現上述場景的概率記作αi(t)，稱作前向概率（應該是在做前向計算，所以形象成為」前向概率「）。
（9）aij：（字母a，注意不是阿爾法，在第一張圖中的「推導」公式裡面的）概率轉移矩陣中第i行，第j列對應的概率（今天為第i個狀態，明天為第j個狀態的概率。網路圖示中「吃->吃」、「吃->睡」和「睡->睡」之間連線的數 值）。
（10）
轉移概率矩陣：如下圖a所示。
：表示第1時刻，第i個狀態的初始概率πi乘以第i個狀態對應的輸出矩陣的第i行向量。
例如：假設第i個狀態為「睡」，那麼πi等於0.7，bi等於[0.3,0.5,0.2]，那麼第1時刻的狀態為「睡」，觀測值為「哭」、「沒精神」和「找媽媽」的概率分別為0.7*[0.3,0.5,0.2]，如果第一時刻的觀測值為「哭」，那麼α1(t)=0.21.
：t+1時刻，所有t時刻的前向概率裡面按時的t時刻的狀態轉化為j狀態後再乘以j對應的輸出概率總和。
以第2時刻為例：狀態j為「吃」，那麼αj(t+1)表示第二時刻，第二狀態為「吃」，觀測值序列為的o1o2概率，其等於第1時刻的前向概率αi(t) 乘以 第一時刻的前向概率裡面暗示的第一時刻的狀態i轉化為狀態j的概率(aij),i有可能是「吃」，也有可能是「睡」，我們要計算的是第2時刻狀態為「吃」的概率，根據馬爾可夫模型，第二時刻的「吃」和第一時刻的狀態有關，但是我們不知道第一時刻到底是什麼狀態，所以用概率的方式全部考慮進來。
[0.21,0.03,0.02]*0.1*bjo
2(0.1表示「吃1」->「吃2」的概率）+[0.21,0.15,0.14]*0.9*bjo
2(0.9表示「睡1」->「吃2」的概率）
乘上轉移概率之後，在乘以「吃」對應的輸出概率行向量：
[0.021,0.003,0.002]tx[0.7,0.1,0.2] + [0.189,0.135,0.126]t
x[0.7,0.1,0.2]（考慮了所有情況，可能會有點費解，請看下一行）
如果第一時刻的觀測值為「哭」，第二時刻的狀態為「吃」,觀測值為「哭」，那麼αj(t+1)=0.21*0.1*0.7=0.0147 + 0.21*.0.9*0.7=0.1323.
：μ：給定的馬爾可夫模型。
o：1-t+1時刻的觀測值序列。
在馬爾可夫模型μ中，輸出序列o的概率為：輸出o並且t+1時刻的狀態為qi的概率綜合。
本文截圖部分來自：隱馬爾科夫模型（hmm）一前向與後向演算法 - 知乎 (zhihu.com)
了解 HMM 演算法
回答 2 什麼是hmm模型？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 1.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 2.可觀測狀態 o 在模型中與隱含狀態相關聯，可通...
HMM向前演算法
1.hmm的第乙個問題 已知乙個hmm模型 2.演算法思路 實質上是動態規劃演算法，關鍵是找到遞推公式 2.1 計算時刻1的各種狀態的向前概率 2.2 遞推2，3.t時刻的概率 2.3 計算最終結果 3.c 已知 hmm隱含狀態數量，狀態轉換概率，狀態的發射概率，以及初始狀態概率分布，根據指定可見狀...
機器學習 HMM 演算法
已知觀測序列o o1,ot 估計模型 a,b 的引數，使得在該模型下觀測序列概率 p o 極大似然估計的方法 樣本中時刻 t 處於狀態 i 時刻 t 1 轉移到狀態 j的頻數ai j,則轉移狀態概率矩陣ai j 的估計a ij a ij j 1na ij樣本中狀態為 j 並觀測為 k的頻數是bj k...