注意：本文為學(xué)習(xí)筆記详民，大量直接復(fù)制于參考文章中的原文字及圖片
一蔑赘、馬爾可夫過程
首先簡(jiǎn)單了解一下什么是馬爾可夫過程：
馬爾可夫性質(zhì)（英語：Markov property）是概率論中的一個(gè)概念郭蕉，因?yàn)槎韲?guó)數(shù)學(xué)家安德雷·馬爾可夫得名姓言。當(dāng)一個(gè)隨機(jī)過程在給定現(xiàn)在狀態(tài)及所有過去狀態(tài)情況下什荣，其未來狀態(tài)的條件概率分布僅依賴于當(dāng)前狀態(tài)屋讶；換句話說，在給定現(xiàn)在狀態(tài)時(shí)仲器，它與過去狀態(tài)（即該過程的歷史路徑）是條件獨(dú)立的煤率，那么此隨機(jī)過程即具有馬爾可夫性質(zhì)。具有馬爾可夫性質(zhì)的過程通常稱之為馬爾可夫過程乏冀。
二蝶糯、隱馬爾可夫模型
隱馬爾可夫模型（Hidden Markov Model，HMM）是統(tǒng)計(jì)模型辆沦，它用來描述一個(gè)含有隱含未知參數(shù)的馬爾可夫過程昼捍。其難點(diǎn)是從可觀察的參數(shù)中確定該過程的隱含參數(shù)。然后利用這些參數(shù)來作進(jìn)一步的分析肢扯，例如模式識(shí)別妒茬。
在正常的馬爾可夫模型中，狀態(tài)對(duì)于觀察者來說是直接可見的蔚晨。這樣狀態(tài)的轉(zhuǎn)換概率便是全部的參數(shù)乍钻。而在隱馬爾可夫模型中，狀態(tài)并不是直接可見的铭腕，但受狀態(tài)影響的某些變量則是可見的团赁。每一個(gè)狀態(tài)在可能輸出的符號(hào)上都有一概率分布。因此輸出符號(hào)的序列能夠透露出狀態(tài)序列的一些信息谨履。
下圖是一個(gè)小例子：
隱馬爾可夫模型狀態(tài)變遷圖（例子）
x—隱含狀態(tài)
y—可觀察的輸出
a—轉(zhuǎn)換概率（transition probabilities）
b—輸出概率（output probabilities）
通俗易懂的理解可以去看知乎上的一個(gè)提問，如何用簡(jiǎn)單易懂的例子解釋隱馬爾可夫模型熬丧？笋粟，里面排在第一位的解釋的就很好理解。
參考文章：
馬爾可夫性質(zhì)-維基百科
