隐马尔可夫模型与向前算法（一）
一、HMM（隐马尔可夫模型）基本原理
1.1、HMM基本原理的分析
1.1.1、原理的两个状态
隐马尔可夫模型就是有两个存在状态，一个是可以观察到并记录出现概率的观察状态；一个是可以控制观察状态的隐状态。
1.1.2、状态转换之间的概率
1.1.3、隐马尔可夫的两个假设
1.2、我们可求出的量
由1.1.2.我们已知
两类状态：隐状态，观察状态
三种矩阵：初始状态矩阵，隐状态转移矩阵，两态混合矩阵
1、某一连续观察组合出现的概率
由全概率公式计算，电脑中可用递归调用
2、由观测状态推测最大可能性的隐状态（由情绪组合推导侍神组合）
方法由穷举法计算，电脑中可用递归调用
3.从观察序列中得出HMM （这是最难的HMM应用。也就是根据观察序列和其代表的隐状态，生成一个三元组HMM ( Π,A,B)。使这个三元组能够最好的描述我们所见的一个现象规律。限于水平，不讨论）
二、评估问题：向前算法分析
2.1、初始向前概率
2.2、递推向前概率
2.3、终止概率