1. 模型简介
隐马尔科夫模型（Hidden Markov Model，以下简称HMM）是比较经典的机器学习模型了，主要用于时序数据建模，它在语言识别，自然语言处理，模式识别等领域得到广泛的应用。
（1）状态变量 {y1,y2, ... ,yn}，其中yi 属于 Y，表示第i个时刻的系统变量。
状态变量通常是隐藏的，不可被观测的，所以也称为隐变量。 设每个时刻可能有N种状态，取值范围是 {s1,s2, ... ,sN}.
（2）观测变量 {x1,x2, ... ,xn }, 其中xi属于X, 表示在第i时刻的观测值。观测变量可以取连续的值，也可取离散的值，此处仅考虑取离散值的情况。每个时刻的观测值可能有M种情况，取值范围为 {o1,o2, ... ,oM}。
（3）HMM的图结构
a. 在任意时刻，观测变量的取值仅依赖于状态变量，即xt由yt决定
b. t时刻的状态yt仅依赖于t-1时刻的状态yt-1，这就是所谓的马尔科夫链。
基于这种依赖关系，所有变量的联合概率分布为：
（4）三组参数：除了结构信息，要确定一个HMM，还需要以下三组参数
a. 状态转移概率 A = [aij]N*N, 其中aij = P(yt+1 = sj | yt = si)
即代表任意时刻t, 若状态为si，则下一状态为sj的概率。
b. 输出观测概率：B = [bij]N*M, 其中bij = P(xt = oj | yt = si)。
即代表任意时刻t，若状态为si, 则观测值oj被获取的概率。
c. 初始状态概率：π = (π1,π2, ... ,πN), 其中πi = P(y1 = si)
通常可以用其参数λ = [A, B, π]来指代。
（5）实际应用种的三个基本问题：
第一个：给定模型λ = [A, B, π]，如何有效计算其产生的观测序列X = {x1,x2, ... ,xn }的概率P(X | λ）？换言之，如何评估模型与观测序列之间的匹配程度？
第二个： 给定模型λ = [A, B, π]和观测序列X = {x1,x2, ... ,xn }，如何找到与此观测序列最匹配的状态序列Y = {y1,y2, ... ,yn} ? 换言之，如何根据观测序列推断出隐藏的模型状态 ？
第三个： 给定观测序列X = {x1,x2, ... ,xn }，如何调整模型参数λ = [A, B, π] 使得序列出现的概率P(X | λ）最大？换言之，如何训练模型使其能最好地描叙观测数据？
2. 用前向算法求HMM观测序列的概率P(X | λ）：即针对解决第一个应用问题。
（1）简介：
前向算法本质上属于动态规划的算法，也就是我们要通过找到局部状态递推的公式，这样一步步的从子问题的最优解拓展到整个问题的最优解。
在前向算法中，通过定义“前向概率”来定义动态规划的这个局部状态。什么是前向概率呢, 其实定义很简单：定义时刻 t时隐藏状态为si, 观测状态的序列为o1,o2,...ot的概率为前向概率。记为: si,o1,o2,...,ot. 设观测变量为x，隐含变量为y, 则
αt(i) = P(o1,o2,...,ot,yt=si | λ）
既然是动态规划，我们就要递推了，现在我们假设我们已经找到了在时刻
t时各个隐藏状态的前向概率，现在我们需要递推出时刻t+1时各个隐藏状态的前向概率。
（2）具体计算过程如下：
输入：HMM模型λ = [A, B, π]，观测序列（真实观测到的值）O = {o1,o2, ..., oT}
输出：观测序列概率P(O | λ）
1) 计算时刻1的各个隐藏状态前向概率：初始状态取第i个时，观测值为o1的概率。
α1(i) = πi * bi(o1), i = 1,2,...N
其中bi(o1) = P(xt = o1 | yt = si)
2) 递推时刻2,3,...T的前向概率:
其中N是隐变量可能取值的个数。
3) 计算最终结果：
从递推公式可以看出，我们的算法时间复杂度是O(TN2)
参考文献：周志华 《机器学习》
http://www.cnblogs.com/pinard/p/6955871.html