摘要：
转自：http://blog.csdn.net/eaglex/article/details/6458541维特比算法(Viterbi Algorithm)找到可能性最大的隐藏序列通常我们都有一个特定的HMM，然后根据一个可观察序列去找到最可能生成这个可观察序列的隐藏序列。1.穷举搜索我们可以在下图中看到每个状态和观察的关系。通过计算所有可能的隐藏序列的概率，我们可以找到一个可能性最大的隐藏序列，这个可能性最大的隐藏序列最大化了Pr(observed sequence | hidden state combination)。比如说，对于上图中的可观察序列（dry damp soggy），最可能 阅读全文
摘要：
转自：http://blog.csdn.net/eaglex/article/details/6430389前向算法(Forward Algorithm)一、如果计算一个可观察序列的概率？1.穷举搜索加入给定一个HMM，也就是说(,A,B)这个三元组已知，我们想计算出某个可观察序列的概率。考虑天气的例子，我们知道一个描述天气和海藻状态的HMM，而且我们还有一个海藻状态的序列。假设这个状态中的某三天是（dry，damp，soggy），在这三天中的每一天，天气都可能是晴朗，多云或者下雨，我们可以用下图来描述观察序列和隐藏序列：在这个图中的每一列表示天气的状态可能，并且每个状态都指向相邻的列的每个状 阅读全文
摘要：
转自：http://blog.csdn.net/eaglex/article/details/6418219隐马尔科夫模型（Hidden Markov Models）定义隐马尔科夫模型可以用一个三元组(π,A,B)来定义:π 表示初始状态概率的向量A =（aij）（隐藏状态的）转移矩阵P（Xit|Xj（t-1））t-1时刻是j而t时刻是i的概率B =（bij）混淆矩阵P（Yi|Xj）在某个时刻因隐藏状态为Xj而观察状态为Yi的概率值得注意的是，在状态转移矩阵中的每个概率都是时间无关的，也就是说我们假设这个概率是固定的，不随时间变化。当然，这是马尔科夫模型最不切合实际的一个假设。隐马尔科夫模型的 阅读全文
摘要：
转自：http://blog.csdn.net/eaglex/article/details/6385204隐含模式（Hidden Patterns） 当马尔科夫过程不够强大的时候，我们又该怎么办呢？ 在某些情况下马尔科夫过程不足以描述我们希望发现的模式。回到之前那个天气的例子，一个隐居的人可能不能直观的观察到天气的情况，但是有一些海藻。民间的传说告诉我们海藻的状态在某种概率上是和天气的情况相关的。在这种情况下我们有两个状态集合，一个可以观察到的状态集合（海藻的状态）和一个隐藏的状态（天气的状况）。我们希望能找到一个算法可以根据海藻的状况和马尔科夫假设来预测天气的状况。 一个更现实的例子是语音 阅读全文
摘要：
转自：http://blog.csdn.net/eaglex/article/details/6376826介绍（introduction）通常我们总是对寻找某一段时间上的模式感兴趣，这些模式可能出现在很多领域：一个人在使用电脑的时候使用的命令的序列模式；一句话中的单词的序列；口语中的音素序列。总之能产生一系列事件的地方都能产生有用的模式。考虑一个最简单的情况：有人(柯南？)试图从一块海藻来推断天气的情况。一些民间的传说认为“soggy”的海藻意味着潮湿（wet）的天气，“dry”的海藻预示着晴朗（sun）。如果海藻处于中间状态“damp”，那就无法确定了。但是，天气的情况不可能严格的按照海藻 阅读全文
摘要：
转自：http://blog.csdn.net/ce123/article/details/6971544一、大端模式和小端模式的起源 关于大端小端名词的由来，有一个有趣的故事，来自于Jonathan Swift的《格利佛游记》：Lilliput和Blefuscu这两个强国在过去的36个月中一直在苦战。战争的原因：大家都知道，吃鸡蛋的时候，原始的方法是打破鸡蛋较大的一端，可以那时的皇帝的祖父由于小时侯吃鸡蛋，按这种方法把手指弄破了，因此他的父亲，就下令，命令所有的子民吃鸡蛋的时候，必须先打破鸡蛋较小的一端，违令者重罚。然后老百姓对此法令极为反感，期间发生了多次叛乱，其中一个皇帝因此送命，另一个 阅读全文