HMM(Hidden Markov Model) 隐马尔可夫的学习小结

前段时间学习了一下隐马尔可夫模型，这里做了一个简单总结，把隐马尔可夫那些事做个罗列，一来以后复习也有个头绪，二来为将要学习的人做个提示吧。
马尔可夫有两个重要的基本原理：     

• 有限视野
• 时间不变性 

具体的内容请自行查阅，这是整个HMM的前提。

隐马尔可夫模型 HHM：
一般模型: 五元组（S, K, Π, A, B） 
S: 状态集
K: 输出字母表（其实就是观测结果集合）
Π: 初始状态概率
A: 状态转移概率
B: 符号发射概率

HMM的三个基本问题
  1>已知模型参数μ = (A, B, π),计算某个观测序列发生的概率，即求P(O|μ)
    向前向后算法 Forward-backward algorithm.
  2>给出观测序列O和模型μ，怎样选择一个状态序列X(X1,X2,…XT+1),能最好的解释观测序列O
    Viterbi算法 (http://en.wikipedia.org/wiki/Viterbi_algorithm)
  3>给出观测序列O，寻找最可能的状态转移以及输出该序列的概率
    Baum-Welch算法 (http://en.wikipedia.org/wiki/Baum-Welch_algorithm)

参考资料：
http://en.wikipedia.org/wiki/Hidden_Markov_model
Forward Algorithm: http://www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/forward_algorithm/s1_pg7.html