如何深入理解隐马尔可夫模型（HMM）算法原理？

本文共计1264个文字，预计阅读时间需要6分钟。

这样修改：长这样：理解的前置：(1) 状态：生成观测值的变量（如图中的“吃和睡）。(2) 观测值：状态对应的输出（如图中的红色节点）。(3) 输出概率：状态乘上输出概率对应的输出（如图中的红色节点输出）。”

注意，已尽量精简并避免超过100字。

长这样：

理解的前提：

　　（1）状态：生成观测值的变量（上图中的“吃”和“睡”）。

　　（2）观测值：状态乘上输出概率对应的输出（上图中的橙色节点）。

　　（3）输出概率：输出概率矩阵里面的某个元素（状态和观测值两层之间的某个权重参数）。

　　（4）输出概率矩阵：由输出概率组成的矩阵。

　　（5）b_i: 第i个状态（比如”睡“）输出所有观测值对应的概率构成的行向量（上图中所有红线构成的行向量）。

　　（6）o₁：表示我要输出第一个观测值。不是把o₁做为自变量输入到b_i中，只是一个记号（个人表示没什么用）。

　　（7）Π_i：走 第i个状态的初始概率（p(start->吃)=0.3)。

　　（8）α_i(t)：（阿尔法）在给定马尔可夫模型中，到t时刻为止，状态们在t个时刻，每个时刻都由所有状态中的一个输出某个观测值，一共输出了t个观测值观测序列，记为,，并且t时刻输出O_t的状态为q_i（状态用q表示），把出现上述场景的概率记作α_i(t)，称作前向概率（应该是在做前向计算，所以形象成为”前向概率“）。