ML--HMM(隐马尔可夫模型及python的实现1)

1.综述：

隐马尔可夫模型是马尔可夫模型的进一步发展。马尔可夫模型是马尔可夫过程的模型化, 可以用图1 (a) 的框图形象表示。它把一个总随机过程看成一系列状态的不断转移。图1（b）是隐马尔可夫模型。

1.1几个需要理解的概念

a.马尔可夫性：如果一个过程的”将来”仅依赖“现在”，而不依赖“过去”，此过程具有马尔可夫性，称此过程是马尔可夫过程。
b,马尔科夫链：时间和状态都离散的马尔科夫过程，称为马尔可夫链。

以下内容来自（条件随机场理论综述 韩雪冬 1，周彩根2
1 北京邮电大学计算机学院 ，北京（100876 )
2 中国人民解放军总参谋部第五十四研究所，北京（100083））

隐马尔可夫模型(Hidden Markov Models，HMMs)研究始于1966，基于统计方法的隐马尔可夫模型在若干年后变得很受欢迎，原因有二个，一是该模型有丰富的数学理论结构，能被广泛的应用；二是在若干重要应用上经恰当的运用表现的很出色。

2.离散马尔可夫模型

3.隐马尔可夫模型五要素的组成

4.三个基本问题

5.针对3个基本问题，对应三个基本方法

5.1 forward-backward 算法

5.2 Viterbi 算法（解码）

5.3 Baum-Welch方法

Baum-Welch方法（等价于EM(Expectation-Modification)方法）或者用梯度技术，通过不断循环迭代更新参数的方法，设法使P(Ο|λ )达到最优。Baum-Welch 方法是 EM 算法的一种实现，因采用爬山法往往得到的是局部最优。

6.隐马尔可夫模型的python实现（等待更新。。。。）