摘要：
1. HMM三个典型问题的定义 三个问题的共同点就是已知模型的一部分，求另一部分，不同点就是已知的部分和要求的部分不一样。 评估：已知模型参数，计算某一特定输出序列的概率。通常使用forward算法解决。 解码：已知模型参数，寻找最可能的能产生某一特定输出序列的隐含状态的序列。通常使用Viterbi算法解决。 学习：已知输出序列，寻找最可能的状态转移以及输出概率。通常使用Baum-Welch算法以及Reversed Viterbi算法解决。2. 词性标注与HMM三个典型问题 在词性标注问题中，已知单词序列，需要给出对应的词性序列。单词序列是可观察的，因此单词作为观察状态，词性作为隐藏状态... 阅读全文
摘要：
1. 简述现在本人对隐马尔可夫模型(HMM)的理解十分有限，本文主要是学习笔记的形式。2. HMM基本原理 HMM是一个双重随机过程，准确一点说就是两个状态集合，三个矩阵。 两个状态集合：隐藏状态(S1,S2,S3,...)和观察状态(O1,O2,O3,...)。HMM的假设是隐藏状态之间是一个马尔科夫链，即对应一个初始状态矩阵(P)和状态转移矩阵(A)。假设观察状态由隐藏状态决定，即混淆矩阵(B)。 一般的，用λ=(A,B,P)三元组表示一个隐马尔可夫模型。隐马尔可夫模型实际上是标准马尔可夫模型的扩展，添加了可观测状态集合和这些状态与隐含状态之间的概率关系。 注意：矩阵A是一个方阵，反映的是 阅读全文