一、基本概念
1、马尔科夫假设：当前的状态只与之前的状态有关
2、马尔科夫过程：当前的状态只与前n个状态有关，被称为n阶马尔科夫模型。
3、马尔科夫链：可以理解为带有概率的状态转移链
3、一阶马尔科夫模型：当前的状态只与前一状态有关
（1）若有M个状态，则共有M*M个状态转移
（2）转移概率：每一个状态转移都有一定的概率，称为~，所有的转移概率用一个M*M的矩阵表示
（3）每一个系统开始的时候，需要一个初始概率，称为π向量，表示每种状态作为初始状态出现的概率
4、隐马尔科夫模型
可能存在这样一种情况，我们想要的状态并不能直接观察得到，但是呢这个状态和其他某种可观测的状态之间存在一定的概率关系，也就是说可以通过那种可观测的状态（观测状态），来求解我们想要得到的状态（隐状态），这就是隐马尔科夫模型的主要思想。
二、什么是隐马尔科夫模型
1、隐马尔科夫模型定义
隐马尔科夫模型是关于时序的概率模型，描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。
简单理解：
（1）首先有一个状态序列，这个序列是不可被观测的 —— 状态序列
（2）状态序列的每个状态可以按照一定的概率生成一个观测
（3）这些观测组合成一个观测序列，显而易见是可被观测的 —— 观测序列
另外：序列的每一个位置又可以被看作一个时刻
隐马尔科夫模型主要用来解决标注问题，需要注意的是，对应着标记的是状态而非观测。也就是说在标注问题中，观测序列是输入，状态序列是输出，根据观测序列预测状态序列。
隐马尔科夫模型是一个生成模型。
2、隐马尔科夫模型的两个假设
（1）观测值之间严格独立
（2）一阶马尔科夫模型：状态的转移过程中当前状态只与前一状态有关
注：这也是其和条件随机场（CRF）的主要区别：CRF去除了这两个假设
另，条件随机场是一个判别模型
3、隐马尔科夫模型的三要素
假设有N个状态，M个观测
（1）状态转移矩阵：一个N*N阶矩阵，描述了各状态间相互转移的概率，记为A
（2）观测概率矩阵：一个N*M阶矩阵，描述了每个状态生成每个观测的概率，记为B
（3）初始状态概率向量：一个N阶向量，描述了初始时刻处于每个状态的概率，记为π
4、隐马尔科夫模型的三个基本问题：
（1）概率计算问题：给定模型r=(A,B,π)和观测序列O(o1,o2,...,oT),计算观测序列O出现的概率P(O|r)
（2）学习问题：已知观测序列O(o1,o2,...oT),估计模型r的参数，使的观测序列O出现的概率P(O|r)最大
（3）预测问题（解码问题）：给定模型r=(A,B,π)和观测序列O(o1,o2,...,oT)，求最有可能的对应的状态序列。
三、概率计算问题
给定模型r=(A,B,π)和观测序列O(o1,o2,...,oT),计算观测序列O出现的概率P(O|r)
主要是两种算法：前向算法和后向算法。
为了对比，同时给出两种算法。
1、前向概率和后向概率
（1）前向概率：给定隐马尔科夫模型r，定义到时刻t，部分观测序列为O1,O2,...Ot且t时刻状态为qi的概率为前向概率
（2）后向概率：给定隐马尔科夫模型r，定义在时刻t状态为qi的条件下，从t+1到T的部分观测序列为Ot+1,Ot+1,...OT的概率为后向概率。
2、前向算法与后向算法
输入：隐马尔科夫模型r，观测序列O
输出：观测序列概率P(O|r)
（1）前向算法
（2）后向算法
3、算法解析
