如何将隐马尔可夫模型应用于长尾词的识别与处理？

本文共计247个文字，预计阅读时间需要1分钟。

动态模型：离散HMM，连续：线性：卡尔曼滤波，非线性：粒子滤波。HMM的两个假设：零次马尔可夫假设，当前的隐变量只与前一个隐变量有关；一阶马尔可夫假设，观测变量只与它的隐变量有关。

动态模型：

离散：HMM

连续：

　　线性：kalman Filter

　　非线性：Particle Filter

HMM的两个假设：

①齐次马尔可夫假设

当前的隐变量只与前一个隐变量有关

②观测独立假设

观察变量只与它的隐变量有关

三个问题：

1.evaluation

2.learning

3.decoding

evaluation：

已知(初始概率分布Π，转移矩阵A，发射矩阵B) => 入

求P(O|入）

前向算法：