隐马尔科夫模型

　　如今假设要分析一个能够用Markov模型描述的系统，但有一个重要的差异：系统状态不能直接观察到。模型具备独立的输出符号集，在系统进入“隐藏”的状态时按指定几率发出。这样，系统的分析要基于观察到的输出符号顺序，从而根据某个几率推测基础模型的实际状态序列。

什么是隐马模型

　　隐马模型（Hidden Markov Model，HMM）是非肯定性有限状态变换器，提供三种几率信息：

• 每一个状态标上机器开始时可能处于该状态的几率。
• 状态p到q（可能一致）的每一个转变标上几率，即机器从p变到q的几率。能够用这些几率彻底指定M的转变行为。若是M没法从p转入q，则只要将从p到q的几率设置为0.
• 每一个状态q的每一个输出符号c标上状态q时输出c的几率。

　　形式上，隐马模型M是一个五元组（K,O,π,A,B），其中：

• K是有限状态集。
• O是输出字母表。
• π是个向量，包含每一个状态的初始几率。
• A是个矩阵，表示转换几率。
• B也称为混淆矩阵，表示输出几率。

应用场景