浅谈隐式马尔科夫模型

马尔科夫模型是基于马尔科夫假设与观测序列的独立性，著名的马尔科夫假设即状态的转移至于前一个状态有关，与将来无关。将该模型用（A,B,Pi)三元组表示，其中A表示状态转移概率矩阵，元素为：P(St|St-1)，B表示在观测输出条件Oi下隐含状态序列Si的概率矩阵，元素为:P(Si|Oi);Pi表示初始状态概率P(Si)。

三类问题：（1）已知观测序列（输出符号的概率序列）求取其隐含序列，以语音识别为例，已知句子的语音信号序列，识别出对应的句子。典型算法：Forward_Backward算法，推荐Frederick Jelinek所著的《Statistical Methods for Speech Recognition》.

                 （2）已知隐含序列，求取其观测序列，以分词为例，已知各词组的词频等参数，给一个句子，求该句子可分词得到的词组序列。典型算法：维比特算法。

                 （3）根据大量训练样本求该模型参数。典型无监督训练方法：Baum_Welch Algorithm（鲍姆-韦尔奇算法）