隐马尔科夫模型

　　现在假设要分析一个可以用Markov模型描述的系统，但有一个重要的差别：系统状态不能直接观察到。模型具有独立的输出符号集，在系统进入“隐藏”的状态时按指定概率发出。这样，系统的分析要基于观察到的输出符号顺序，从而根据某个概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）是非确定性有限状态变换器，提供三种概率信息：

• 每个状态标上机器开始时可能处于该状态的概率。
• 状态p到q（可能一致）的每个转变标上概率，即机器从p变到q的概率。可以用这些概率完全指定M的转变行为。如果M无法从p转入q，则只要将从p到q的概率设置为0.
• 每个状态q的每个输出符号c标上状态q时输出c的概率。

　　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，包含每个状态的初始概率。
• A是个矩阵，表示转换概率。
• B也称为混淆矩阵，表示输出概率。

应用场景