目录
一、定义
二、模型结构
三、基本假设
四、观测序列的产生过程
五、基本问题
六、应用领域
一、定义
隐马尔可夫模型（Hidden Markov Model, HMM）是一种统计模型，用于描述一个含有隐含未知参数的马尔可夫过程。它假设存在一个隐藏的马尔可夫链，该链的状态序列是不可观测的，但每个状态可以生成一个观测值，从而形成一个可观测的观测序列。
二、模型结构
HMM模型主要由以下五个元素构成：
-
状态集合Q：所有可能的状态的集合，记作Q = {q1, q2, ..., qN}，其中N是可能的状态数。
-
观测集合V：所有可能的观测的集合，记作V = {v1, v2, ..., vM}，其中M是可能的观测数。
-
初始概率分布π：表示模型在初始时刻各状态出现的概率，是一个N维向量，π = (π1, π2, ..., πN)，其中πi = P(i1 = qi)。
-
状态转移概率矩阵A：描述在隐藏马尔可夫链中，从一个状态转移到另一个状态的概率，是一个N×N的矩阵，A = [aij]，其中aij = P(it+1 = qj | it = qi)。
-
观测概率矩阵B：描述在某一状态下，生成各个观测的概率，是一个N×M的矩阵，B = [bj(k)]，其中bj(k) = P(ot = vk | it = qj)。
三、基本假设
-
齐次马尔可夫性假设：假设隐藏的马尔可夫链在任意时刻t的状态只依赖于其前一时刻的状态，即P(it | it-1, ot-1, ..., i1, o1) = P(it | it-1)。
-
观测独立性假设：假设任意时刻的观测只依赖于该时刻的马尔可夫链的状态，即P(ot | iT, oT, iT-1, oT-1, ..., it+1, ot+1, it, i1, o1) = P(ot | it)。
四、观测序列的产生过程
给定HMM模型λ = (π, A, B)和观测序列O = (o1, o2, ..., oT)，观测序列的产生过程可以归纳如下：
-
根据初始概率分布π，选择初始状态i1。
-
在时刻t = 1，根据状态i1和观测概率分布B中的对应行，生成观测o1。
-
根据状态i1和状态转移概率分布A中的对应行，转移到状态i2。
-
在时刻t = 2，根据状态i2和观测概率分布B中的对应行，生成观测o2。
-
重复步骤3和4，直到生成整个观测序列O和对应的状态序列I = (i1, i2, ..., iT)。
五、基本问题
HMM模型涉及三个基本问题：
-
概率计算问题：给定模型λ和观测序列O，计算在模型λ下观测序列O出现的概率P(O | λ)。这通常通过前向算法或后向算法来解决。
-
学习问题：已知观测序列O，估计模型λ的参数，使得在该模型下观测序列概率P(O | λ)最大。这通常通过Baum-Welch算法（EM算法的一种）来解决。
-
预测问题（解码问题）：已知模型λ和观测序列O，求对给定观测序列条件概率P(I | O)最大的状态序列I。这通常通过Viterbi算法来解决。
六、应用领域
HMM在多个领域都有广泛的应用，包括但不限于：
- 语音识别：用于识别和分析语音信号中的音素和单词。
- 自然语言处理：用于词性标注、分词、命名实体识别等任务。
- 生物信息学：用于基因序列分析、蛋白质结构预测等。
- 故障诊断：用于机器设备的故障检测和预测。
- 模式识别：如手势识别、行为识别等。
