这是 隐马尔科夫模型(HMM) 的 2 个基本假设
这是 隐马尔科夫模型(HMM) 的 2 个基本假设
上一篇 1个例子解释 隐马尔科夫模型(HMM) 的 5 个基本要素 说了隐马尔可夫模型 (HMM) 的参数，细分的话，包括 5 个基本要素：
1). 隐含状态 S
这些状态之间满足马尔可夫性质，是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到。
2). 可观测状态 O
在模型中与隐含状态相关联，可通过直接观测而得到，例如O1、O2、O3等。
3). 初始状态概率矩阵 π
表示隐含状态在初始时刻 t=1 的概率矩阵，例如 t=1 时，P(S1)=p1、P(S2)=P2、P(S3)=p3，则初始状态概率矩阵 π=[ p1 p2 p3 ].
4). 隐含状态转移概率矩阵 A
描述了HMM模型中 各个隐含状态 之间的转移概率，Aij = P( Sj | Si ), 1≤i, j≤N
表示在 t 时刻、状态为 Si 的条件下，在 t+1 时刻状态是 Sj 的概率。
5). 观测状态转移概率矩阵 B，英文为 Confusion Matrix，令N代表隐含状态数目，M代表可观测状态数目，则：Bij = P( Oi | Sj ), 1≤i≤M, 1≤j≤N ，表示在 t 时刻、隐含状态是 Sj 条件下，观察状态为 Oi 的概率。
HMM 的定义建立在两个基本假设的前提上，你知道这两个基本假设吗？这两个假设是 HMM 的重点，一定要了解模型的 2 个假设。
齐次马尔科夫假设
齐次马尔科夫假设，通俗地说就是 HMM 的任一时刻 t 的某一状态只依赖于其前一时刻的状态，与其它时刻的状态及观测无关，也与时刻 t 无关。
上面表达兑现为公式的话，如下所示：
t+1 时刻的状态只依赖于 t 时刻的状态，与观测状态无关。
观测独立假设
观测独立性假设，是任一时刻的观测只依赖于该时刻的马尔科夫链的状态，与其他观测及状态无关。
观测独立假设兑现为公式如下：
t+1 时刻的观测只依赖于 t+1 时刻的马尔科夫链的状态，与其他观测状态无关。
总结
以上这两个假设是 HMM 的核心，之后的公式推导都是依赖这两个假设成立的基础上进行的。
相关链接
[1] 隐马尔科夫模型HMM的前向算法和后向算法
https://blog.csdn.net/xmu_jupiter/article/details/50956389
点击以下标题查看相关内容：
深度学习|大师之作，必是精品
免费送6本精选的算法，机器学习，深度学习的书
机器学习、深度学习干货分享
自然语言处理|语言模型介绍
自然语言处理之词To词向量
一文了解自然语言处理的每个范畴用到的核心技术，难点和热点(1)
NLP入门：CNN,RNN应用文本分类，个性化搜索，苹果和乔布斯关系抽取(2)
下一代信息服务新风口：以自然语言为基本输入方式的问答系统综述(附两篇论文)
一文梳理NLP之机器翻译和自动摘要的发展现状
斯坦福大学NLP课程笔记系列1：深度学习应用于NLP介绍
TensorFlow 实战 3层网络求解嵌入词向量，附代码详解
1个例子解释 隐马尔科夫模型(HMM) 的 5 个基本要素
关于算法channel
算法channel是一个提供系统入门，工程与学术相结合的原创干货公众号，包括基础算法，机器学习，深度学习，NLP，工具库使用等10余个频道，如果你对算法和人工智能感兴趣，欢迎在公众号后台点击「交流群」。
