大家好，今天我们要讨论的主题是，隐马尔可夫模型。

案例，掷骰子

假设，有三种不同的骰子。第一个是立方体，有1到6、六个面，记作D6。第二个是正4面体，1到4四个面，记作D4。第三个是正8面体，1到8，8个面，记作D8。它们每个面出现的概率分别是1/6、1/4和1/8。

我们蒙着眼睛，从这三个骰子中，随机的选择一个，进行抛掷。投掷后，可以得到1到8中的某个数字。

在抛掷的过程中，被我们随机选出来的骰子的编号，也可以组成一串序列，序列中包括了D4、D6和D8。因为我们是蒙着眼睛选骰子，所以并不知道具体选的是哪个骰子。

我们不必纠结，为什么抛掷时，就一定不知道选的是哪个骰子，我们就假设，3个骰子摸起来的感觉是一样的就好了。

在实验过程中，产生了两个数据链，可见状态链与隐含状态链，将它们组合在一起，就是隐马尔可夫模型。

隐马尔可夫模型的概念

隐马尔可夫模型，Hidden Markov Model，简称HMM。它是关于时序的概率模型，该模型包含了随机生成的不可观测序列，该序列被称为状态序列，使用S表示。例如，刚刚的骰子序列，就是状态序列。

每个不可观测状态，都会产生一个可观测的结果，这样会得到一个观测序列，使用O表示。也就是掷骰子时，产生的数字序列。

每个状态和观测都会与一个时刻进行对应，如果有t个时刻，就产生了s1到st，o1到ot。就像我们掷骰子，需要一次一次的掷，那么t就可以代表是第几次掷骰子。

在HMM中，状态序列是隐藏的，无法被观测到，因此状态变量是一个隐变量，这也是HMM中H的来源。而MM是马尔可夫模型，它代表了隐藏的状态序列是由一个马尔科夫链，随机生成的。

隐马尔可夫模型的关键因素

在隐马尔可夫模型中，包含了四个关键因素，分别是隐含状态、可见状态、隐含状态的转换、和可见状态的输出。

各个隐含状态之间会进行转换，并有对应的转换概率。例如，在掷骰子的过程中，如果每次都是随机挑选骰子，那么三种不同骰子的转换概就是1/3。

隐含状态会输出可见状态，它们之间有一个输出概率，不同隐含状态到可见状态的输出概率可能不同。

例如，隐含状态D6输出可见状态1到6，概率是1/6。D4输出1到4，概率是四分之一。

隐马尔可夫模型的数学表示

为了进一步讨论隐马尔可夫模型，需要使用数学符号来表示HMM。其中包括了，隐含状态Q和观测结果V两个集合，状态转移概率矩阵A、观测概率矩阵B、初始状态概率向量π，三个概率矩阵。

具体来说，隐含状态集合Q，包括q1到qn，N种状态。观测结果集合V，包括v1到vm，M种可能的结果。

例如，在掷骰子的案例中，n=3，q1、q2、q3对应D6、D4、D8，m=8，v1到v8对应数字1到8。

状态转移的概率矩阵A是一个N*N的矩阵。其中aij代表了状态qi转移到状态qj的概率。具体的，aij等于，在st等于qi的条件下，s(t+1)等于qj的概率。

例如，3个骰子，选择任意骰子的概率都是1/3，那么就得到了3乘3的状态转移概率矩阵，其中的每个元素都是0.33。

观测概率矩阵为B。由于每一个状态q都可以输出一个观测结果v，因此B是一个N乘M的矩阵，其中bij代表了在时刻t，状态qi输出观测结果vj的概率。

例如，在掷骰子时，根据三种骰子的输出，可以得到一个3乘8的概率矩阵。第一行对应了六面骰子，掷出1到6的概率是六分之一，掷出7和8的概率是0。而第二行和第三行，分别代表投掷四面、八面骰子的输出1到8的概率。

初始状态的概率向量是π，它是一个N*1的列向量。πi代表了在时刻t=1时，状态为qi的概率。例如，掷骰子时，三种骰子的初始概率都是0.33。

总结来说，π和A确定了隐藏的马尔科夫链，也就是如何生成不可观测的状态序列s。B确定了如何从隐藏状态产生观测序列o。隐马尔可夫模型由A、B、π共同决定，使用三元符号λ等于A、B、π表示。

那么到这里，隐马尔可夫模型就讲完了，感谢大家的观看，我们下节课再会。