定义（形式描述） 隐马尔科夫模型的两个基本假设 (1)：设隐马尔科夫链在任意时刻tt的状态只依赖于其前一时刻的状 态，与其他时刻的状态及观测无关，也与时刻t无关。（齐次马尔科夫 性假设) (2)：假设任意时刻的观测只依赖于该时刻的马尔科夫链的状态，与 其他观测和状态无关。（观测独立性假设）
定义 （形式描述） 隐马尔科夫模型的两个基本假设 （1）：设隐马尔科夫链在任意时刻tt的状态只依赖于其前一时刻的状 态，与其他时刻的状态及观测无关，也与时刻t无关。（齐次马尔科夫 性假设） （2）：假设任意时刻的观测只依赖于该时刻的马尔科夫链的状态，与 其他观测和状态无关。（观测独立性假设）
定义（形式描述） 设Q是所有可能的状态的集合，V是所有可能的观测的集合。 Q=q1,92,,9N,V=v1,2,,vM 其中，N是可能的状态数，M是可能的观测数。 I是长度为T的状态序列，O是对应的观测序列。 I=(i1,i2,,iT),0=(o1,02,,0r）
定义（形式描述）
定义（形式描述） A是状态转移矩阵：A=[QijNxN i=1,2,,Nj=1,2,,N 隐马尔科夫模型由初始状态概 其中，在时刻t,处于q:状态的条件下在时刻t十1转移到状态q;的概率： 率向量π、状态转移概率矩阵A ai P(itt1 qjlit qi) B是观测概率矩阵：B=[b()]NxM 和观测概率矩阵B决定。π和A决 k=1,2,,Mj=1,2,…,N 定状态序列，B决定观测序列。 其中，在时刻t处于状态q;的条件下生成观测，的概率： b()=P(o4=i:=g) π是初始状态概率向量：π=（π；） 其中，元：=P(i1=q)
定义（形式描述） 隐马尔科夫模型由初始状态概 率向量π、状态转移概率矩阵A 和观测概率矩阵B决定。π和A决 定状态序列，B决定观测序列
定义（形式描述） A是状态转移矩阵：A=[a]NxN i=1,2,Nj=1,2,,N 其中，在时刻t,处于q:状态的条件下在时刻t+1转移到状态q;的概率： 因比，隐马尔科夫模型入可以 aj=P(it+1=q5lit=q） 由三元符号表示，即 B是观测概率矩阵：B=[b(NxM 入=(A,B,π)。A,B,π称为隐马尔 k=1,2,,Mj=1,2,,N 其中，在时刻t处于状态q的条件下生成观测vk的概率： 科夫模型的三要素。 bj(k)=P(Ot Vk lit =qi) π是初始状态概率向量：π=（π） 其中，T:=P(i1=q)
定义（形式描述） 因此，隐马尔科夫模型λ可以 由三元符号表示 ， 即 ： λ=(A,B,π))。A,B,π称为隐马尔 科夫模型的三要素
定义（举例） https://en.wikipedia.org/wiki/Viterbi algorithm#Example 假设你是一个医生，眼前有个病人，你的任务是确定他是否得了感冒。 ·首先，病人的状态(Q)只有两种：{感冒，没有感冒}。 ·然后，病人的感觉（观测V)有三种：{正常，冷，头}。 ·手头有病人的病例，你可以从病例的第一天确定π（初始状态概率向量）； ·然后根据其他病例信息，确定A(状态转移矩阵)也就是病人某天是否感冒和他第二天是否感冒 的关系； ·还可以确定B(观测概率矩阵)也就是病人某天是什么感觉和他那天是否感冒的关系
定义（举例） https://en.wikipedia.org/wiki/Viterbi_algorithm#Example