隱馬爾可夫模型（Hidden Markov Model，HMM）是統計模型，它用來描述一個含有隱含未知參數的馬爾可夫過程。

隱馬爾可夫模型（HMM）可以用五個元素來描述，包括2個狀態集合和3個概率矩陣：

隱含狀態 S
這些狀態之間滿足馬爾可夫性質，是馬爾可夫模型中實際所隱含的狀態。這些狀態通常無法通過直接觀測而得到。（例如S1、S2、S3等等)

可觀測狀態 O
在模型中與隱含狀態相關聯，可通過直接觀測而得到。(例如O1、O2、O3等等，可觀測狀態的數目不一定要和隱含狀態的數目一致。）

初始狀態概率矩陣 π
表示隱含狀態在初始時刻t=1的概率矩陣，(例如t=1時，P(S1)=p1、P(S2)=P2、P(S3)=p3，則初始狀態概率矩陣 π=[ p1 p2 p3 ].

隱含狀態轉移概率矩陣 A。
描述了HMM模型中各個狀態之間的轉移概率。
其中Aij = P( Sj | Si ),1≤i,j≤N.
表示在 t 時刻、狀態為 Si 的條件下，在 t+1 時刻狀態是 Sj 的概率。

觀測狀態轉移概率矩陣 B （英文名為Confusion Matrix，直譯為混淆矩陣不太易于從字面理解）。
令N代表隱含狀態數目，M代表可觀測狀態數目，則：
Bij = P( Oi | Sj ), 1≤i≤M,1≤j≤N.
表示在 t 時刻、隱含狀態是 Sj 條件下，觀察狀態為 Oi 的概率。
總結：一般的，可以用λ=(A,B,π)三元組來簡潔的表示一個隱馬爾可夫模型。隱馬爾可夫模型實際上是標準馬爾可夫模型的擴展，添加

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的隐马尔科夫模型 概念（上）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。