1. 马尔可夫链
马尔可夫链是满足马尔可夫性质的随机过程。马尔可夫性质是无记忆性。
也就是说，这一时刻的状态，受且只受前一时刻的影响，而不受更往前时刻的状态的影响。我们下面说的隐藏状态序列就马尔可夫链。
2. 隐马尔可夫模型
隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，用它处理的问题一般有两个特征：
第一：问题是基于序列的，比如时间序列，或者状态序列。
第二：问题中有两类数据，一类序列数据是可以观测到的，即观测序列；而另一类数据是不能观测到的，即隐藏状态序列，简称状态序列，该序列是马尔可夫链，由于该链不能直观观测，所以叫“隐”马尔可夫模型。
简单地说，状态序列前项能算出后项，但观测不到，观测序列前项算不出后项，但能观测到，观测序列可由状态序列算出。
HMM模型的主要参数是λ=(A,B,Π)，数据的流程是通过初始状态Pi生成第一个隐藏状态h1，h1结合生成矩阵B生成观测状态o1，h1根据转移矩阵A生成h2，h2和B再生成o2，以此类推，生成一系列的观测值。
3. 举例
1) 问题描述
假设我关注了一支股票，它背后有主力高度控盘，我只能看到股票涨/跌（预测值：2种取值），看不到主力的操作：卖/不动/买（隐藏值：３种取值）。涨跌受主力操作影响大，现在我知道一周之内股票的涨跌，想推测这段时间主力的操作。假设我知道有以下信息：
i. 观测序列O={o1,o2,...oT}
一周的涨跌O={1, 0, 1, 1, 1}
ii. HMM模型λ=(A,B,Π)
- 隐藏状态转移矩阵A
主力从前一个操作到后一操作的转换概率A={{0.5, 0.3, 0.2},{0.2, 0.5, 0.3},{0.3, 0.2, 0.5}} - 隐藏状态对观测状态的生成矩阵B（3种->2种）
主力操作对价格的影响B={{0.6, 0.3, 0.1},{0.2, 0.3, 0.5}} - 隐藏状态的初始概率分布Pi（Π）
主力一开始的操作的可能性Pi={0.7, 0.2, 0.1}
2) 代码
import numpy as np
from hmmlearn import hmm
states = ["A", "B", "C"]
n_states = len(states)
observations = ["down","up"]
n_observations = len(observations)
p = np.array([0.7, 0.2, 0.1])
a = np.array([
[0.5, 0.2, 0.3],
[0.3, 0.5, 0.2],
[0.2, 0.3, 0.5]
])
b = np.array([
[0.6, 0.2],
[0.3, 0.3],
[0.1, 0.5]
])
o = np.array([[1, 0, 1, 1, 1]]).T
model = hmm.MultinomialHMM(n_components=n_states)
model.startprob_= p
model.transmat_= a
model.emissionprob_= b
logprob, h = model.decode(o, algorithm="viterbi")
print("The hidden h", ", ".join(map(lambda x: states[x], h)))c) 分析
这里我们使用了Python的马尔可夫库hmmlearn，可通过命令 $ pip install hmmlearn安装（sklearn的hmm已停止更新，无法正常使用，所以用了hmmlearn库）
马尔可夫模型λ=(A,B,Π)，A,B,Π是模型的参数，此例中我们直接给出，并填充到模型中，通过观测值和模型的参数，求取隐藏状态。
4. HMM的具体算法
第一：根据当前的观测序列求解其背后的状态序列，即示例中decode()函数（Viterbi方法）。
第二：根据模型λ=(A,B,Π)，求当前观测序列O出现的概率（向前向后算法）
第三：给出几组观测序列Ｏ，求模型λ=(A,B,Π)中的参数（Baum-Welch方法）。具体方法是随机初始化模型参数A,B,Π；用样本O计算寻找更合适的参数；更新参数，再用样本拟合参数，直至参数收敛。
在实际使用中，比如语音识别，我们先用一些已有的观测数据O，训练模型λ的参数，然后用训练好的模型λ估计新的输入数据Ｏ出现的概率。
至此，我们介绍了HMM的核心操作及对应算法，如果你对具体的Viterbi或者Baum-Welch算法的实现感兴趣，推荐以下两篇文章，一篇是算法公式及说明，一篇是具体Python代码实现，建议对照着看：
http://www.cnblogs.com/hanahimi/p/4011765.html
http://www.cnblogs.com/pinard/p/6945257.html
5. 最大期望EM算法
EM（Expectation Maximization）最大期望算法是十大数据挖掘经典算法之一。之前一直没见过EM的实现工具和应用场景，直到看见HMM的具体算法。HMM的核心算法是通过观测值计算模型参数，具体使用Baum-Welch算法，它是EM的具体实现，下面来看看EM算法。
假设条件是X，结果是Y，条件能推出结果X->Y，但结果推不出条件，现在手里有一些对结果Y的观测值，想求X，那么我们举出X的所有可能性，再使用X->Y的公式求Y，看哪个X计算出的Y和当前观测最契合，就选哪个X。这就是最大似然的原理。在数据多的情况下，穷举因计算量太大而无法实现，最大期望EM是通过迭代逼近方式求取最大似然。
EM算法分为两个步骤：Ｅ步骤是求在当前参数值和样本下的期望函数，M步骤利用期望函数调整模型中的估计值，循环执行E和M直到参数收敛。
6. 隐马尔可夫模型HMM与循环神经网络RNN&LSTM
RNN是循环神经网络，LSTM是RNN的一种优化算法，近年来，RNN在很多领域取代了HMM。下面我们来看看它们的异同。
首先，RNN和HMM解决的都是基于序列的问题，也都有隐藏层的概念，它们都通过隐藏层的状态来生成可观测状态。
从对比图中可以看出，它们的数据流程很相似（Pi与U，A与W，B与V对应），调参数矩阵的过程都使用梯度方法（对各参数求偏导），RNN利用误差函数在梯度方向上调U,V,W（其中还涉及了激活函数），而HMM利用最大期望在梯度方向上调Pi,A,B（Baum-Welch算法），调参过程中也都用到类似学习率的参数。
不同的是，RNN中使用激活函数（红色方块）让该模型的表现力更强，以及LSTM方法修补了RNN中梯度消失的问题；相对来说RNN框架也更加灵活。
RNN和HMM不是完全不同的两类算法，它们有很多相似之处，我们也可以把RNN看成HMM的加强版。
